论文梳理

待我称王封你为后i 2023-07-02 06:29 29阅读 0赞

#### 题目：[基于GAN 网络的面部表情识别][GAN] ####

搜索源：知网  
论文关键词：表情识别;深度学习;生成对抗网络GAN  
应用：面部表情识别

##### 摘要 #####

本文：姿态不变，端到端，模型（姿态不同和表情，扩充训练集），GAN（生成对抗网络）

##### 0 1 引言 #####

面部表情识别 应用：心理学，教育，数字 娱乐，驾驶员监控  
两阶段：特征提取，表情识别  
目前：正面面部  
要 解决：任意姿态

##### 2 GAN网络的 面部表情识别方法 #####

###### 2.1 面部表情识别 ######

过程：特征提取，表情识别  
传统特征提取（SIFT，LBP，Gabor，Geometry）  
本文：CNN  
表情分类方法：SVM，KNN，随机森林  
本文：GAN网络变体，生成图像（不同姿态表情），分类器嵌入到GAN网络中训练，端到端

###### 2.2 生成对抗网络GAN ######

GAN：生成，判别 模型

> 生成模型：接受随机噪声，噪声生成数据或图片  
> 判别模型：两类输入（生成噪声数据，现实中数据）

##### 4 总结 #####

文本：端到端模型，面部图像合成

--------------------

#### 题目：[非正面人脸表情识别方法综述][Link 1] ####

搜索源：知网  
论文关键词：非正面人脸表情识别; 人脸关键点; 外貌特征; 姿态相关;

##### 摘要 #####

人脸检测，头部姿态估计，特征提取，分类方法  
非正面人脸 表情特征提取 ，分类  
非正面人脸表情识别：人脸关键点 ，外貌特征， 姿态 相关

##### 0 1 引言 #####

应用：疲劳驾驶， 微笑 检测，网络视频分析，移动 手机服务  
情感机器人，车载辅助系统，智能移动终端，互联网即时通信  
五大难题：头部偏转（干扰情感认知 ），光照变化， 配准误差，面部遮挡，身份差异  
2017年 IEEE国际自动人脸与手势识别会议（IEEE FG）的第三届人脸表情识别与分析挑战赛主题：头部偏转的表情识别  
PAMI期刊的人脸表情识别综述：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xlZV9fNw_size_16_color_FFFFFF_t_70]  
之前综述：

1.  罗列方法，缺乏原理和特点分析
2.  指出面临难题，没说难在何处

##### 2 非正面图像获取 #####

标准数据库，自己采集拍摄，图像预处理（光照均衡化，尺度归一化），检测（判断人脸区域，头部偏转情况），提取表情特征，特征分类  
样本维度：二维数据库（北航，中科院），三维数据库（有待发展）  
数据库标记：表情，动作

##### 3 非正面人脸检测 #####

###### 3.1 非正面人脸检测 方法 ######

头部转角：  
'< 45度：人脸检测方法处理非正面人脸  
'> 45度：头部姿态变，五官分布变，用三维模型

多角度人脸数据不足，解决：

1.  局部特征 ：跟踪人脸局部区域 ，标记点。估计-校正-微调
    
    > 全卷积网络FCN：估算标记点位置  
    > 点分布模型：生成人脸 标记点起始形状  
    > 均值漂移：确定人脸形状
2.  整体特征：不同姿态，构建检验算子
3.  深度特征： 不同姿态人脸调试的VGG-Face网络。肤色和背景颜色提取。卷积神经网络。

###### 3.2 头部 姿态估计方法 ######

姿态估计：水平转，头部垂直转，左右转  
方法：外观模板法、检测阵列法、非线性回归法、流形嵌 入法、弹性模型法、几何法、跟踪法

> 对某姿态人脸建模（外观模板法，检测阵列法，弹性模型）  
> 人脸特征提取（流形嵌入法，几何法）

##### 4 非表情识别 #####

--------------------

#### 题目：[微表情识别方法综述][Link 2] ####

搜索源：知网  
论文关键词：微表情识别; 特征提取; 微表情分类; 心理认知; 测谎; 计算机视觉; 计算机图像处理; 人脸识别; 主动表现模型; 人工智能; 局部约束模型; 视频监控;

##### 摘要 #####

应用：测谎，反恐，临床医学

##### 0 1 引言 #####

微表情持续时间：1 /25 ~ 1 /5 s，不由自主表情  
微表情涉及：图像处理与分析、模式识 别 、计算机视觉 、计算机图像学 、人工智能 、生物学、心理学等方向

##### 2 图像获取及预处理 #####

预处理：人脸检测及配准、人脸 切割和图像归一化  
前人：

> ASM（主动形状模型）：训练，搜索，优点（有序得到特征点，较高精确性和鲁棒性），缺点（局部最小）  
> AAM（主动表观模型，改进ASM）：建立（形状，纹理，混合模型），缺点（侧脸，复杂场景差，局部最优，环境噪声缺乏鲁棒性）  
> CLM（局部约束模型）：

人脸剪裁和切割：  
剪裁：确定人脸矩形区域（面部特征，几何模型）  
切割：特征点（联合级联法 检测27个面部特征）  
灰度归一化， 光照归一化，尺度归一化（减少光照不均，尺寸不一致）

##### 3 微表情检测，特征提取 #####

特征提取方法 ：梯度 ，运动，纹理，深度学习

> 梯度：方向梯度直方图：图像局部梯度方向构成特征  
> 运动：鲁棒主成分分析与局部时空方向特征结合  
> 纹理：反映本身属性，LBP（局部二值模式，描述图像局部纹理特征）

##### 4 微表情分类 #####

随机森林RF，极限学习机ELM，隐马尔可夫HMM，深度致信网络DBN

##### 7 展望 #####

不足：

1.  微表情建库水平低
2.  微表情表达特点 不明确
3.  算法不成熟：特征融合、分类器结合，提出新特征分类，识别算法，提高性能
4.  长视频 微表情实时检测 应用不足

--------------------

#### 题目：[微表情识别综述][Link 3] ####

搜索源：知网  
论文关键词：微表情;微表情识别

##### 摘要 #####

1.  微表情好处：隐藏真实感受，真实表达，难以捕捉
2.  应用：医疗，商业谈判，刑事审讯，人际交往，安检
3.  现在热门：微表情检测与识别
4.  难点：微表情强度弱，被环境影响，持续时间短，部位区域狭小不确定 ，传感器难 捕捉识别

##### 0 1 微表情综述 #####

1.  微表情：时间短，不能控制隐藏的真实情感，防御机制
2.  现状：**表情识别成熟**，迁移到微表情识别不好，要重新设计
    
    > 微表情模型：METT  
    > 微表情数据库：CASME

##### 2 微表情识别综述 #####

1.  微表情视频流检测
2.  步骤：
    
    > 预处理：原始数据模糊，轮廓检测，裁剪，对齐  
    > 特征值提取  
    > 特征值分类，贴标签  
    > 设计实验

--------------------

#### 题目：[融合知识图谱和协同过滤的推荐模型][Link 4] ####

搜索源：知网  
论文关键词：知识图谱;协同过滤;深度学习;混合推荐;知识表示学习

##### 摘要 #####

获取知识图谱推理路径，TransE算法（路径嵌入向量），获取路径推理语义（LSTM，soft attention机制），池化（区分不同路径推理），预测评分（全连接，sigmoid）。语义相似性，协同过滤算法

##### 0 引言 #####

推荐算法：协同过滤推荐，内容推荐，混合推荐

> 协同过滤推荐算法：人群意愿推荐，结果不直观  
> 内容推荐：用内容信息对用户和物品 特征建模  
> 混合推荐算法：效果好，将知识图谱推荐，深度学习，混合推荐

--------------------

#### 题目：[基于深度神经网络的图像碎片化信息问答算法][Link 5] ####

搜索源：知网  
本文应用：图像问答  
论文关键词：人工智能;碎片化信息;神经网络;深度学习;视觉问答

##### 摘要 #####

样式信息：结构无序，内容片面，碎片信息  
形式：文本，图像，视频，网页  
视觉问答系统（VQA）：碎片化信息提取，表达，理解

##### 0 引言 #####

概述：

> 1.  现状：信息分散，知识碎片化。不同模态，高度分散在多个数据源。
> 2.  新兴问题：对碎片化知识去粗取精，提取关键信息，构建完备知识体系，有助于学习效率
> 3.  趋势：计算机视觉+NLP的不同模态碎片化信息融合
> 4.  难点：涉及更多 知识，推理 技巧，多 领域知识融合

知识 相关：

> 1.  碎片化的两面性：  
>     优点：快速了解相关知识  
>     缺点：片面性，对思考判断有影响。
> 2.  VQA：多模态碎片化 信息提取，表达，理解
> 3.  输入：图片相关  
>     输出 ：推理相应的 答案

本文：

> 1.  进一步研究算法（变分推断方法，注意力 机制），实现框架（视觉问答系统）。
> 2.  4个子流程：图像与问题的特征提取，多模态特征融合，答案推理

##### 1 相关工作 #####

前人：

> 基础视觉问答：CNN（图像特征）+ RNN（文本特征）–融合–  
> 图像：  
> VGGNet模型：19层CNN，不同隐层神经元提取图像不同层次的特征  
> ResNet模型：解决梯度弥散  
> R-CNN模型：目标检测，多目标图像特征  
> 文本：  
> 词袋模型：单词间相互独立，无法提取上下文关联信息  
> RNN：提取上下文的文本特征（缺点：序列长，梯度弥散）  
> BNN变种模型：GRU模型，LSTM模型（参数更多，数据量大的视觉问答）  
> 关键流程：  
> 融合特征（以往把特征简单拼接，丢失图像和问题的关联性）  
> 解决（引入注意力 机制，使答案关注强相关信息，避免相关性弱的干扰）  
> 提出（图像和问题协同注意的分层架构），（使图像和问题文本产生注意力权重，对原始 特征加权）  
> 答案推理：  
> 数据集频率高的答案提取构造答案集合，分类，分类结果 是推理答案

##### 2 基础知识与模型 #####

完整的视觉问答任务分解4个步骤：  
图像特征提取，文本特征提取，多模态特征融合，答案推理  
本文：CNN，RNN，注意力机制，变分推断方法（多模态特征融合 答案推理）

###### 2.1 卷积神经网络CNN ######

CNN多种网络结构：VGGNet，ResNet，Faster-R-CNN

###### 2.2 循环神经网络RNN ######

解决传统RNN梯度弥散问题：GRU（门控循环单元），LSTM（长短期记忆网络）

###### 2.3 注意力机制 ######

注意力机制：对每个时刻特征加权（特征对时刻的重要程度），提取关键特征信息

###### 2.4 变分推断 ######

##### 3 基于神经网络的视觉问答模型 #####

LSTM（图像特征），RNN+CNN（文本特征）  
注意力机制与变分推断（多模态特征融合），答案推理（分布距离 神经网络损失值）

###### 3.1 LSTM图像特征提取 ######

Faster-R-CNN 提取多目标图像特征  
LSTM的多目标图像特征融合  
权重调整：1）拓展时序 2）BiLSTM

###### 3.2 RNN+CNN文本特征提取 ######

提取词向量  
RNN 提取初步文本特征  
CNN 组合文本特征

###### 3.3 多模态特征融合 ######

注意力机制的图像特征加权  
变分自编码器的特征融合

###### 4 实验与结果分析 ######

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xlZV9fNw_size_16_color_FFFFFF_t_70 1]

--------------------

#### 题目：[基于标签语义注意力的多标签文本分类][Link 6] ####

搜索源：知网  
本文应用：文本  
论文关键词：多标签学习;文本分类;标签语义;注意力机制

##### 摘要 #####

分类应用：文本分类，图像识别，视频注释，多媒体信息检索  
传统多标签文本分类：认为标签是没有语义的符号  
现实中：标签分类有语义，标签语义 文档内容信息有关系  
本文：标签语义注意力的多标签文本分类（LASA），文档和标签间共享单词。文档嵌入（双向长短时记忆,Bi-LSTM）

> 双向长短时记忆,Bi-LSTM：获取每个单词 隐表示，标签语义注意力机制获得文档单词权重，单词对标签中关系

##### 0 引言 #####

传统分类：单标记学习（每个样本 示例属于一个类别标记）  
现实：对象同时多类别多标签，标记子集  
多标签学习：标签 集合为 每个实例分配 类标签 子集  
多标签文本分类：应用：主题识别 ，情感分析，问答系统

> 一个文档多个 标签，标签间相关性  
> 长文档，语义复杂，隐藏在噪音或冗余内容  
> 多数文档少数标签，尾标签

科研注意：

> 1.标签间相关性  
> 2.文档中捕捉有效信息  
> 3.文档中提取与对应标签相关信息

Bi-LSTM：注意力机制，单词远距离依赖，捕捉文档重要词  
关键：用标签语义指导多标签文本分类  
融合标签语义信息的标签注意力机制模型：标签语义信息  
本文贡献：

> 1.标签语义的 注意力机制 ，捕捉标签关注的词，为标签学习文档  
> 2.标签相关性，缓解多标签分类的尾标签  
> 3.评估

##### 1 相关工作 #####

前期：问题转换算法，算法适应  
问题转换算法：多标记学习任务，转化单标记学习任务，BR算法（单标记分类，缺乏标签间依赖性，预测性低），LP算法（样本不平衡），CC分类器链（BR法改进）  
Rank-SVM算法（SVM到多标签），ML-DT（决策树多标签），ML-kNN（K近邻）

--------------------

#### 题目：[基于卷积神经网络的灯具商品图像检索][Link 7] ####

搜索源：知网  
搜索词：主题（多模态），关键词（深度学习）  
本文应用：建材商品数字化，灯具  
论文关键词：卷积神经网络; 商品图片搜索; YOLO算法; 多标签分类任务;

##### 摘要 #####

传统分类：未考虑主观特性，特征人工提取，细节特征丢失  
本文：提出CNN 灯具图像分类。预处理，识别率提升。  
本文：检索过程（卷积层，全连接层），标签分类（YOLO算法）

##### 0 引言 #####

目前 ：CNN（分类检索，行为估计）  
之前：人为图像分类，手贴标签  
缺点：关键字 表示 图像特征 狭隘，有主观性，  
CNN：图像识别有成就，高识别率检索少

###### 1.1 卷积神经网络模型 ######

AlexNet模型，图像处理

###### 1.2 商品图像分类 ######

CNN的商品分类：数据预处理，网络训练，调参

> 预处理对卷积核预训练：灰度处理 ，降维（PCA）  
> 随机梯度下降：SGD（对卷积核中权值初始化，反向传播调参）

##### 2 系统搭建 #####

###### 2.1 AlexNet卷积神经网络模型 ######

###### 2.2 构建样本库数据集 ######

###### 2.3 分类优化 ######

图像有多语义属性

###### 2.4 图像检索优化 ######

YOLO

--------------------

#### 题目：[多模态深度学习综述][Link 8] ####

搜索源：知网  
搜索词：主题（多模态），关键词（深度学习）  
本文应用：综述  
论文关键词：多模态; 深度学习; 神经网络; 模态表示; 模态传译; 模态融合; 模态对齐;

##### 摘要 #####

多模态深度学习：四类：模态表示、模态传译、模态融合、模态对齐

##### 0 引言![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xlZV9fNw_size_16_color_FFFFFF_t_70 2] #####

##### 1 模态表示 #####

单模态：语句，视觉，声音  
语句：单词独热，低维空间，序列的袋子表示，序列低维  
视觉：图像，视频  
声音：提取，高阶表示

##### 2 模态传译 #####

A模态信息，传译存储在B模态中  
传译结果的可预测性：

1.  有界传译：
2.  开放性传译

图像识别、图像标注、图像问答、视觉对话：流行新领域，图像模态转换为语句模态， 用语句模态表示图像中所包含的信息。

##### 3 模态融合 #####

多模态预测

##### 4 模态对齐 #####

辨别多个模态 元素间关系

--------------------

#### 题目：[基于深度学习的视频内容描述研究][Link 9] ####

**进度 ：未完成**  
搜索源：知网  
搜索词：主题（多模态），关键词（深度学习）  
本文应用：视频内容描述  
论文关键词：视频内容描述; 多模态; 注意力机制; 语义属性; 深度学习;

##### 摘要 #####

人工智能：

1.  感知智能：图片分类、自然语言翻译
2.  认知智能：看图说话、视觉描述  
    视频理解终极目标：视频和自然语言的连接  
    粗粒度视觉理解：视频分类、物体检测

--------------------

#### 题目：[基于深度学习的图像自动标注方法综述][Link 10] ####

搜索源：知网  
搜索词：主题（多模态），关键词（深度学习）  
本文应用：图像自动标注  
论文关键词：图像自动标注; 多模态空间; 多区域; 编码-解码; 强化学习; 生成式对抗网络;

##### 摘要 #####

图像自动标注：计算机视觉 + NLP  
五个分类：多模态空间、多区域、编码-解码、强化学习、生成式对抗网络  
本文：

1.  以上 五个分类标准介绍
2.  数据集对比
3.  不同方法优缺点
4.  现状，提出3个关键问题，总结展望

##### 0 引言 #####

人可以看图描述，计算机不可以  
前人：

> 李飞飞：自动生成图像的NLP

生成图像文本描述：

1.  底层视觉特征 + 高层语义 间转换
2.  检测图像的场景物体，理解动作，属性，关系
3.  语言模型，生成句子

图像自动标注：图像高层语义理解，图像 + 文本交叉  
应用：帮助视觉障碍者理解图像  
最近图像优秀领域：图像分类，检测，机器翻译  
**图像分类 超过人类**  
应用：

> 图像检索：图像成倍传播  
> 个性化文本描述

前人：

> Fuk：引入外部数据库 ，未描述  
> Gao L：解码两阶段，提升准确性  
> Chen F：GroupCap方法，相同主题图像，相关性对图像多样化标注  
> 彭宇新：视频标注，注意力层级对齐方法 AGHA，建立视频特征，文本特征

##### 1 传统图像自动标注方法 #####

图像自动标注：文本生成方式不同：基于检索，基于模板

###### 1.1 基于检索图像自动标注 ######

信息检索最佳匹配  
数据集 = \{ 图像集，图像的文本描述 \}  
待标注图像 和 图像集中图像相似度，选出 相似子集=\{ 相似图像集，相似描述\}  
根据相似描述，选出待标注图像的文本描述  
前人：

> Farhadi：<物体，动作，场景>，空间，图像+文本 映射到此空间，计算图像和文本语义相似度确定最相似句子  
> Ordonez：数据库里图像内容检索，文本排序。样本数据：100万张人工标注

总结：从现有数据集检索得到，局限

###### 1.2 基于模版 ######

人工设置词槽（对象名称，属性，对象关系）  
给待标注图像，提取信息和关系，结合算法，补充词槽，生成描述  
前人：

> Yang：四元组，图像检测算法+训练的语言模型，检测图像+预测连句的动词和介词，隐马尔可夫算法 ，补充四元组句子
> 
> > 四元组：<名词，动词，场景，介词>
> 
> Li：填充三元组，维基百科数据训练 得N-gram 语言模型
> 
> > 三元组：<形容词 1，名词 1>，介词，<形容词2，名词 2>

缺点：针对固定长度的词槽，受句子模版限制，不灵活

##### 2 基于深度学习的图像自动标注方法 #####

深度学习：

1.  自动提取、无人工设计特征
2.  非线性，底层转高层数据
3.  解决文本描述单一，准确率低
4.  研究热点
5.  分类：强化学习，生成式对抗，多模态，多区域，编码-解码

本节：总结深度学习

###### 2.1 多模态空间 ######

多模态空间：

1.  图像特征+文本信息，映射同一空间，成多模态表征信息
2.  特征提取（文本，图像）- 多模态 - 文本生成 - 描述
    
    > 特征提取（文本）：词向量，提取  
    > 特征提取（图像）：深度卷积神经网络  
    > 多模态：图像+文本融合  
    > 文本生成：多模态+文本描述
3.  前人：

> Kiros：MLBL-B 和 MLBL-F，图像+文本特征 联合学习  
> Karpathy ：深度。图像+文本 双向检索，隐式对齐  
> Mao：m-RNN。
> 
> > 语言：词，稠密词，向量 ，上下文信息  
> > 视觉：  
> > 多模态网络：语言+视觉+单层神经网络，softmax分类器，预测

###### 2.2 多区域 ######

不同区域文本描述

> 物体检测算法：不同物体区域  
> CNN：视觉特征  
> 语言模型：文本描述

前人：

> Johnson：DenseCap：卷积神经网络；密集定位层； LSTM
> 
> > 缺点：区域重叠 ；歧义性
> 
> Yang：联合推理，上下文融合。目标区域特征+文本推理  
> 李飞飞：Visual Genomes 数据集。

###### 2.3 编码-解码 ######

前人：

> Cho：神经机器翻译，准确性和速度提升  
> Vinyals：最大似然估计NIC，CNN，LSTM  
> Jia：gLSTM  
> Mao：特殊物体和区域描述  
> Wang：深层双向 LSTM，一个CNN，两个LSTM

编码：深度神经网络-图像  
解码：图像+文本—>描述（LSTM）  
编码-解码分类：

1.  注意力：问题：不根据信息改变，忽略图像空间区域
    
    > xu：硬注意力，软注意力。  
    > Pedersoli ：图像 文本、RNN隐藏层，映射  
    > Anderson：Faster R-CNN，物体检测  
    > Park：上下文序列记忆网络，融合上下文
2.  语义概念：高层语义 > 底层视觉  
    步骤：CNN 图像+语义，图像-解码，语义-解码 -隐藏层，解码-标注
    
    > Karpathy：深度视觉 - 语义对齐，卷积神经网络-图像，双向循环-文本，多模态嵌入-映射  
    > You ：语义+RNN隐藏，输出层  
    > Yao： LSTM -A

###### 2.4 强化学习 ######

问题：最大似然估计和反向传播，评价指标 损失函数不统一

> Ren：决策框架：策略网络（局部）和价值网络（全局）  
> Rennie：SCST，序列模型，归一化  
> Zhang：有限马尔科夫决策过程，actor-critic，最大化累积奖励

###### 2.5 生成式对抗 ######

生成式对抗：GAN，无监督，生成器+判别器，无标签，  
生成器：损失值学习  
判别器

> Dai：CGAN  
> Shetty：多重标注，Gumbel 采样器克服数据离散

##### 5 关键问题，研究方向 #####

深度学习：多层神经网络，自动提取特征，不依赖手工特征提取器  
考虑多种数据特征融合

1.  高层语义特征
2.  图像和文本两种模态融合

解决：

1.  质量 评价标准
2.  语义鸿沟
3.  模态融合

--------------------

#### 题目：[基于深度学习的多模态融合网民情感识别研究][Link 11] ####

搜索源：知网  
搜索词：主题（多模态），关键词（深度学习）  
本文应用：网民情感识别  
论文关键词：网民情感; 多模态融合; 情感识别; 双向长短期记忆模型; 微调卷积神经网络; 网络舆情; 舆情监测;

##### 摘要 #####

网民情感识别  
以往缺点：单模态，缺乏结合 文本以及附带图片 识别情感  
本文：

1.  多模态
2.  词向量对本文表示
3.  提取的文本和图片情感特征，特征层融合，输入SVM中， 实现多模态融合识别
    
    > 建构BiLSTMs模型提取文本情感特征  
    > 构建基于迁移学习的 微调CNNs提取图片特征
4.  将 多模态融合（DNNs-SVM）与基线模型对比
    
    > 基线模型：word2vec+BiLSTMs、BERT+BiLSTMs、CNNs、微调 CNNs和 DNNs
5.  结果：文本图片的多模态融合 优于 单模态，多模态融合（DNNs-SVM） 优于 基线模型

##### 0 1 引言 #####

背景：社交网络，网络舆情， 网民对某事件或话题表达主观看法和观点  
形式：文本，图片，产生情感性的内容  
网民情感是网络舆情的重要特征之一  
现状：网民 情感识别基于文本，用情感词典  
前人：

> kim：情感词典 ，计算词汇情感判断文本  
> Pang：文本情感分类，用不同模型分析电影评论  
> Tai：改进树形长短期记忆网络（Tree-LSTM），分析电影评论，情感分类 ，良好效果

缺点：网民表达内容多种含义时，只文本难辨识情感，网民 爱配图表达，所以要综合文本和图片，解决表达 多义性  
多模态情感融合：对不同模态特征提取，分类  
前人：

> Rosas：词袋模型表示文本特征，OpenEAR提取音频特征，Okao Vision提取面部表情特征，这仨拼接长向量，输入至SVM，识别多模态  
> Majumdar：分层，文本 音频 面部表情特征两两融合。再拼接，输入

综合：多模态 的视觉模态多是人脸表情为主  
本文：

1.  图片 和文字结合的舆情分析
2.  BiLSTMs 提取文本，CNNs图片的情感特征，拼接，输入 SVM，分类。
    
    > BiLSTMs 文本情感分类：双向长短期记忆网络 BiLSTMs，做 RNN 变体，有效学习上下文信息，避免梯度爆炸和梯度消失（上下文拉长）  
    > CNNs图片的情感特征：卷积神经网络CNN 空间不变性
3.  对比模型：文本的 BiLST- Ms 模型，BERT模型、图片微调 CNNs模型，CNNs模型，融合文本和图片 的端到端 DNNs 模型

##### 2 相关研究 #####

###### 2.1 情感识别 ######

舆情关键：网民情感  
以往缺点：文本数据的情感标注 没有标准  
前人：

> 吴鹏：心理模型OCC + CNNs，较好效果  
> 何炎祥：微博文本 表情符号多 + 词向量 = 表情符号特征矩阵  
> 突发事件中：情感词向量 + BiLSTMs  
> 周清清：迁移学习 优于 非迁移学习。解决了情感识别，需要精准标注的语料  
> 兰月新：建模和仿真，情感变化趋势，预测。

网民负面情绪：愤怒，伤心，害怕

###### 2.2 图片情感识别 ######

新领域

三类：

1.  底层视觉特征：抽取与人类情感相关的底层视觉特征，颜色、线 条等手工特征，分类器分类
2.  中层语义：中层语义特征 解决 底层特征语义鸿沟 ，形容词、名词对 ANPs
3.  深度学习：深层次模型分类。重大突破

前人：

> You：迁移学习，在mageNet预训练CNNs 模型，不同情感弱标注图片，三百多万张，微调 (fine-tune)，CNNs模型 优于 机器学习  
> Campos：目的是看 微调 在图片情感识别中 的优越性。AlexNet 式模型，DeepSent数据集，微调。释放不同层或增加全连接层，学习图片情感特征，提升性能  
> Chen：CNNs的视觉情感 分类模型，ImageNet 数据集预训练，标注的ANPs微调，优于 SVM模型（手工特征训练）

###### 2.3 多模态融合情感识别 ######

不同模态特征，融合，输入至分类器，完成识别  
融合方式：1）特征层融合（早融合） 2）决策层融合（晚融合）  
前人：

> Lin：提出新方法，不同模态通用的情感特征，层级建模解决情感语义鸿沟，深度学习文本和图片的低层级特征，用表情符号学习中层情感特征，最后识别  
> Williams：提出框架，识别社交视频情感，输入层拼接特征，音频 人脸表情 文本特征，主成分分析（PCA）降维，输入，识别  
> Poria：GAVAM 提取 人脸面部表情特征，OpenEAR提取 音频特征，概念抽取提取 文本特征，三特征拼接，输入至分类器，识别

通常：模态的选择多以文本、人 脸表情和音频为主。  
实际：网民 面部表情 + 文本 表达 少，图片+文本 多  
本文：文本+图片，模型（深度学习+ SVM）提取文本+图片情感特征，特征层融合，输入模型中，情感识别

##### 3 模型设计 #####

本文：模型（ DNNs + SVM ），文本+图片，正负中性情感  
深度神经网络：BiLSTMs + 迁移学习微调 CNNs

> BiLSTMs：提取文本的情感特征  
> 微调CNNs：提取图片的情感特征

特征层融合后输入SVM，情感识别

> DNNs：不同模态的特征提取  
> SVM：对特征层融合后的特征进行情感识别

###### 3.1 文本情感特征提取模型 ######

大规模语料：Skip-gram 模型，训练词向量，量化文本，输入至 BiLSTMs，情感识别

> Skip-gram 模型：属 词嵌入，本文用训练词向量表示文本，可以 预测上下文，无监督  
> RNNs：代表性，缺点：上下文间隔拉长，网络变深，出现梯度爆炸，梯度消失  
> LSTMs：RNNs变体，长短记忆，克服梯度问题，包含三个门，细胞状态
> 
> > 遗忘门：控制历史细胞状态保存信息  
> > 输入门：处理当前序列位置的输入，更新细胞状态信息  
> > 输出门：判断下个状态的输出结果

NLP通常表示文本：one-hot 和 分布式

> one-hot：每个词是长向量，向量稀疏，维度灾难  
> 分布式：词嵌入 使词映射到低维空间，语义词更近

###### 3.2 图片 ######

关键：识别图片中隐藏的情感  
本文：VGG-16做图片情感特征提取 基准模型

###### 3.3 多模态融合 ######

关键：模态特征提取，融合，融合后分类  
特征层融合：单模态 情感识别完成 前，融合隐层的情感特征  
本文单模态网络： BiL- STMs模型和微调 CNNs模型  
SVM：统计学习理论，结构风险最小化原理，较好泛化能力，解决小样本问题，解决向量从低维映射高维，核函数解决分类  
本文：SVM 分类器。SVM 参数（核函数、惩罚参数 C）

--------------------

#### 题目：[心理健康教育漫画多模态话语分析][Link 12] ####

搜索源：知网  
搜索词：主题（多模态）

##### 摘要 #####

视觉语法，多模态话语框架，多模态图像分析软件（MMAI）对心理健康 漫画分析  
探究再现意义，互动意义 ，构图意义  
揭示模态间关系，给心理工作者启示

##### 0 引言 #####

心理教育漫画：文字，图形，色彩结合，符合多模态

##### 3 心理健康漫画多模态话语分析 #####

多模态软件MMAI，对图片标注分析  
再现意义：图片 再现客观事实  
互动意义：图像参与者，事物与看图人间互动  
构图意义：信息值，显著性，取景

##### 4 总结 #####

借助多模态软件，对漫画进行多模态标注，分析他们的再现意义，互动意义，构图意义， 揭示各种模态实现意义

--------------------

#### 题目：[多模态人体动作表示识别及其正骨康复训练应用综述][Link 13] ####

搜索源：知网  
搜索词：主题（多模态）  
本文核心：人体动作识别HAR

##### 摘要 #####

分为：

1.  动作捕捉：基于视频，深度相机，惯性传感器
2.  动作分类（深度学习）：特征自动提取，多模态特征融合

应用：正骨康复训练：监督锻炼 和 模拟训练  
讨论：HAR 的精准动作捕捉，多模态特征融合，正骨康复重点难点

##### 0 引言 #####

HAR：确定人体动作类别，获取人体行为信息 ，反应行为目的  
医学中：衡量 脑卒，骨折患者 健康恢复度

> **其他应用**  
> 智慧医疗：记录康复动作，分析完成程度，调整康复方案，合理人力资源  
> 体育训练：记录优秀运动员信息（标准），帮助其他运动员指定精准训练方案  
> 视频监控：老人日常动作 监护 健康  
> 公共场所：识别可疑动作，预防危机

困难：

1.  动作有**时间空间**双重复杂性：
    
    > 时间：不同人体啥啥都不同  
    > 空间：人体活动范围不固定，自由度变化，背景遮挡，自身遮挡。  
    > 其他 ：活动场景复杂，运动数据信噪比低，后续动作难识别
2.  完整可变性

中医正骨：特定手法治疗骨关节损伤  
HAR 和中医正骨结合：动作捕捉获取 康复训练信息，分类识别反馈给医生

##### 1 动作捕捉 #####

动作捕捉：HAR用人体的三维空间运动数据，追踪记录人体 过程  
技术：机械式，声学式，电磁式，光学式  
应用基于：视频，惯性传感器，深度相机

> 视频：难达到人体视觉感知准确度  
> 深度相机：解决光照影响，深度图像，距离图像  
> 惯性传感器

##### 2 动作识别 #####

###### 2.1 多模态数据，手工特征提取 ######

人体动作数据：时序动作数据，数据大，冗余  
特征提取 -> 动作分类  
传统视频特征提取：基于密集轨迹算法，提取定向 光流直方图，梯度方向直方图，轨迹特征  
人体骨骼框架模型：人体形态特征的人体表现，用视频中关节点处理，或者 深度相机直接获得  
运动骨架描述符，融合人体的相对几何速度，相对关节位置，关节角度 互补特征  
惯性传感器的人体动作数据 ：加速度，角速度，磁力数据。用滑动窗口在时序数据上获取各种值统计特征

###### 2.2 深度学习，人体动作识别应用 ######

多模态：模拟人脑分析数据，分析非线形关系  
深度学习：自动提取特征，原始数据到分类识别的端到端处理，解决类内差异性和类间相似性  
单模态：难以动作准确分类

##### 3 总结 #####

HAR在正骨康复的热点，难点：

1.  精确动作捕捉：关键

> 深度相机：不受光线干扰 ，无法克服 人体活动空间受限  
> 惯性传感器：动作数据因为传感器抖动有误差，人体舒适度差

1.  多模态融合：用特征连接或决策融合实现，  
    深度融合：特征融合的热点  
    深度学习实现动作识别优势：自动提取，深度学习在HAR中应用 是新的研究方向
2.  HAR在中医正骨的应用

本文推荐 ，通过深度学习在 HAR 中的应用

--------------------

下面是老早之前的，梳理中的鼻祖：

--------------------

###### 第一天论文 10.25 ######

1.Portfolio Management via Two-stage Deep Learning with A Joint Cost  
投资管理  
2.A review: Deep learning for medical image segmentation using multi-modality fusion  
fusion:融合

--------------------

###### 第二天论文 10.26 ######

1.State-of-the-Art Deep Learning in Cardiovascular Image Analysis

> 心血管影像分析的深度学习(未购买全文)  
> 期刊：JACC: Cardiovascular Imaging（未购买）

2.Nemesyst: A hybrid parallelism deep learning-based framework applied for internet of things enabled food retailing refrigeration system

> 标注：(好文)  
> 期刊：Computers in Industry  
> 1.deep learning frameworks exist, such as tensorflow, pytorch and keras  
> 2.解决问题： 深度学习框架tensorflow, pytorch and keras，是单节点，  
> 3.创新点：适应大规模的数据处理、版本控制和部署，同时保持不特定的任何单个节点框架。提出新框架：nemesyst

3.Identifying depression in the National Health and Nutrition Examination Survey data using a deep learning algorithm

> 期刊：Journal of Affective Disorders（未购买）  
> 抑郁症

4.Forming a new small sample deep learning model to predict total organic carbon content by combining unsupervised learning with semisupervised learning  
碳总量

> 期刊：Applied Soft Computing  
> 综述：提出了新算法，它结合了非监督和半监督  
> 应用于有机碳，不感兴趣

5.Privacy-enhanced multi-party deep learning

> 期刊：Neural Networks  
> 现状：私有数据担心泄露隐私，不愿共享，可用数据很少，模型过拟合  
> 解决：两种方法，1）没看懂。2）加密

6.An adaptive deep learning model to differentiate syndromes of infectious fever in smart medicine

> 期刊：Future Generation Computer Systems  
> 智能医学中传染病热证候

7.Individualized prediction of depressive disorder in the elderly: A multitask deep learning approach

> 期刊：International Journal of Medical Informatics  
> 老年抑郁混乱

--------------------

###### 第三天论文 10.29 ######

1.Data mining-based damage identification of a slab-on-girder bridge using inverse analysis

> 期刊：Measurement  
> 损伤检测方法,损伤识别，

[GAN]: http://kns8.cnki.net/KCMS/detail/detail.aspx?dbcode=CAPJ&dbname=CAPJLAST&filename=DZRU20200115001&v=MDAwNDFMTDdSN3FkWitadEZpcmxXNzNMSTFzPUlUZlplN0c0SE5ITXJvNUFaT3NPWXc5TXptUm42ajU3VDNmbHFXTTBD
[Link 1]: http://kns8.cnki.net/KCMS/detail/detail.aspx?dbcode=CJFD&dbname=CJFDLAST2019&filename=JSJA201903007&v=MDYxOTk4ZVgxTHV4WVM3RGgxVDNxVHJXTTFGckNVUjdxZlplWnRGaURtVTd2S0x6N0JiN0c0SDlqTXJJOUZZNFI=
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xlZV9fNw_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20200202223414560.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xlZV9fNw==,size_16,color_FFFFFF,t_70
[Link 2]: http://kns8.cnki.net/KCMS/detail/detail.aspx?dbcode=CJFD&dbname=CJFDLAST2018&filename=XIAO201804016&v=MTkyMTFNcTQ5RVlvUjhlWDFMdXhZUzdEaDFUM3FUcldNMUZyQ1VSN3FmWmVadEZpRG1VTHpLUFNUS1liRzRIOW4=
[Link 3]: http://kns8.cnki.net/KCMS/detail/detail.aspx?dbcode=CJFD&dbname=CJFDLAST2019&filename=KJSJ201932063&v=MTUxNzRublVMM0JMaWZZWkxHNEg5alByWTlEWjRSOGVYMUx1eFlTN0RoMVQzcVRyV00xRnJDVVI3cWZaZVp0RkM=
[Link 4]: http://kns8.cnki.net/KCMS/detail/detail.aspx?dbcode=CAPJ&dbname=CAPJLAST&filename=JSJC20191212001&v=MzExNTFkWitadEZpam1VYnJCSTFvPUx6N0JiYkc0SDlqTnJZNUhaT3NPWXc5TXptUm42ajU3VDNmbHFXTTBDTEw3Ujdx
[Link 5]: http://kns8.cnki.net/KCMS/detail/detail.aspx?dbcode=CJFD&dbname=CJFDLAST2019&filename=JFYZ201812003&v=MjU4NDRSN3FmWmVadUZDbm5VYjdQTHl2U2RMRzRIOW5Oclk5Rlo0UjhlWDFMdXhZUzdEaDFUM3FUcldNMUZyQ1U=
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xlZV9fNw_size_16_color_FFFFFF_t_70 1]: https://img-blog.csdnimg.cn/20200201233640436.jpeg?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xlZV9fNw==,size_16,color_FFFFFF,t_70
[Link 6]: http://kns8.cnki.net/KCMS/detail/detail.aspx?dbcode=CAPJ&dbname=CAPJLAST&filename=RJXB20200110007&v=MDk0MjBybzVGWk9zSVl3OU16bVJuNmo1N1QzZmxxV00wQ0xMN1I3cWRaK1p1RlNqbVVydkJKVjA9TnlmVGJMRzRITkhN
[Link 7]: https://kns.cnki.net/KCMS/detail/43.1138.TP.20200115.1827.021.html?uid=WEEvREcwSlJHSldRa1FhdXNzY2Z1OWRmS2h6Wm5ITFlzdEJ1TXR1Tnh0Zz0=$9A4hF_YAuvQ5obgVAqNKPCYcEjKensW4IQMovwHtwkF4VYPoHbKxJw!!&v=MDc1MDZ0MFl3OU16bVJuNmo1N1QzZmxxV00wQ0xMN1I3cWRaK1p1RlNqbFZick1JMXc9THo3QlpyRzRITkhNcm81QVpP
[Link 8]: http://kns8.cnki.net/KCMS/detail/detail.aspx?dbcode=CAPJ&dbname=CAPJLAST&filename=JSYJ20190425002&v=MDcyOTg3U1pMRzRIOWpNcTQxQVpPc05ZdzlNem1SbjZqNTdUM2ZscVdNMENMTDdSN3FkWitadUZDRGxWN3pLSTFvPUx6
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xlZV9fNw_size_16_color_FFFFFF_t_70 2]: https://img-blog.csdnimg.cn/20200129155134903.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xlZV9fNw==,size_16,color_FFFFFF,t_70
[Link 9]: http://kns8.cnki.net/KCMS/detail/detail.aspx?dbcode=CMFD&dbname=CMFD201902&filename=1019048327.nh&v=MzA0ODhGdExPcUpFYlBJUjhlWDFMdXhZUzdEaDFUM3FUcldNMUZyQ1VSN3FmWnVSbUZ5M2hWTDNBVkYyNkY3Tzg=
[Link 10]: http://kns8.cnki.net/KCMS/detail/detail.aspx?dbcode=CJFD&dbname=CJFDAUTO&filename=SDGY201906004&v=MTg0NjdmWnVSbkZ5cmhWci9CTmluTWQ3RzRIOWpNcVk5RllJUjhlWDFMdXhZUzdEaDFUM3FUcldNMUZyQ1VSN3E=
[Link 11]: https://kns.cnki.net/KCMS/detail/42.1812.g2.20200116.1412.006.html?uid=WEEvREcwSlJHSldRa1FhdXNzY2Z1OWJSV1UvZkFkaXIxTU15c3p5ZGM4ND0=$9A4hF_YAuvQ5obgVAqNKPCYcEjKensW4IQMovwHtwkF4VYPoHbKxJw!!&v=MTM5NzFMWXc5TXptUm42ajU3VDNmbHFXTTBDTEw3UjdxZForWnVGQzdtVTc3SUpGbz1QU1BSZDdHNEhOSE1ybzVEWk9z
[Link 12]: https://kns.cnki.net/KCMS/detail/detail.aspx?dbcode=CJFQ&dbname=CJFDAUTO&filename=ZKSD202004127&uid=WEEvREcwSlJHSldRa1FhdXNzY2Z1OWJSV1UvZkFkaXIxTU15c3p5ZGM4ND0=$9A4hF_YAuvQ5obgVAqNKPCYcEjKensW4IQMovwHtwkF4VYPoHbKxJw!!&v=MjA3ODNMdXhZUzdEaDFUM3FUcldNMUZyQ1VSN3FmWnVSb0ZDbmdWN3JKUHliWWFyRzRITkhNcTQ1SFk0UjhlWDE=
[Link 13]: https://kns.cnki.net/KCMS/detail/51.1258.R.20200122.1131.026.html