图片情感识别/分类/分析概述

墨蓝 2023-07-11 12:36 12阅读 0赞

### 目录 ###

*  （一）简介
 *   *  1. 情绪模型
     *  2. 常用数据集
     *  3. 问题难点（挑战）
     *   *  3.1 数据标记困难
         *  3.2 情感涉及的图片特征多样化
 *  （二）主要方法
 *   *  1. 低级特征
     *  2. 中级特征
     *  3. 高级特征
     *  4. 基于学习的特征
 *  （三）论文链接

# （一）简介 #

图片可以用于传达某些情感，例如看到流浪狗的照片会让你感到悲伤，而看到美景的时候会让你心旷神怡。对图片所传达的情感进行识别分析是一个具有吸引力的问题。目前已经有很多的方法在研究这个课题，本博客主要对自己所看过的相关论文做一个总结分享。

## 1. 情绪模型 ##

心理学中主要有两种情感表达模型：

*  CES (Categorical Emotion States): 类别情绪状态。这种模型主要讲情绪设置为一组预先定义好的种类，例如：伤心，开心，激动等。这种模型所对应的方法将图片情感分析视为一个分类问题。
 *  DES(Dimensional Emotion Space): 维度情绪模型。其中常用的有 valence-arousal-dominance (VAD) and activity-temperature-weight (VTT) 模型，其中 VAD 模型常用一些。我们可以将其视为颜色中的三种基本颜色，通过不同数值的组合得到一个颜色。VAD 中 valence、arousa l和 dominance 三个维度给一个值就代表一种情感。这种模型所对应的方法将图片情感分析视为一个回归问题。

目前大部分的论文都是使用 CES 模型的，因为这个模型直观简单，但是理论上来说 CES 的情感表达能力不如 DES，比如特别伤心和有点伤心都属于伤心一类，但是在 DES 中各个维度的值就会不同。但是两者之间是有一定联系的。比如下图中的 © 子图，如果按照 CES 就是 fear 一类，如果按照 DES 三个维度对应的值就是 4.1956、4.49989 和 4.8378。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zNzU4OTU3NQ_size_16_color_FFFFFF_t_70]

## 2. 常用数据集 ##

1.  IASP (International Affective Picture System)
2.  IASPa
3.  Abstract
4.  GAPED (Geneva Affective Picture Database)
5.  MART
6.  devArt
7.  Tweet
8.  FlickrCC (Flickr creative common)
9.  Flickr
10. Emotion6
11. FI (Flicker and Instagram)
12. Emotion6
13. IESN
14. FlickrLDL
15. TwitterLDL

## 3. 问题难点（挑战） ##

### 3.1 数据标记困难 ###

标记图片的情感是一件很困难的事情，一是构造大型数据集（深度学习通常需要大量数据）通常需要大量的人力，另外有一个很关键的问题就是情绪这个问题是很主观的：同一张图片不同人可能从中获得的情感是不同的，同一个人在不同时期对同一张图片产生的情感也可能是不同的。因此标注一个大型数据集很麻烦，导致现有的大型数据集很少。解决上述问题的方法之一就是一张图片多个人标注，当某一情感占据绝对优势的时候才放入数据集。具体的流程可以参考《Building a Large Scale Dataset for Image Emotion Recognition:  
The Fine Print and the Benchmark》[https://arxiv.org/abs/1605.02677][https_arxiv.org_abs_1605.02677].

### 3.2 情感涉及的图片特征多样化 ###

不同图片可能引起人们情感的原因不同，例如有的图片是由于其中的物体，有的是其中的线条，有的是一些构图。因此是高层特征起作用还是低层特征起作用是一个重要的问题。例如 Abstract 数据集主要是由于其中的抽象特征（线条等）起作用，GAPED 数据集主要是图片中物体起作用。

# （二）主要方法 #

## 1. 低级特征 ##

最经典的论文《Affective Image Classification using Features Inspired by Psychology and Art Theory》[http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.393.7676&rep=rep1&type=pdf][http_citeseerx.ist.psu.edu_viewdoc_download_doi_10.1.1.393.7676_rep_rep1_type_pdf]，论文使用从美学艺术概念中提取出的特征来对图片情感进行分类。主要使用的特征如下图：

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zNzU4OTU3NQ_size_16_color_FFFFFF_t_70 1]

## 2. 中级特征 ##

经典例子《Sun attribute database: Discovering, annotating, and recognizing scene attributes》[http://static.cs.brown.edu/people/gmpatter/pub\_papers/SUN\_Attribute\_Database\_CVPR2012.pdf][http_static.cs.brown.edu_people_gmpatter_pub_papers_SUN_Attribute_Database_CVPR2012.pdf]，文中主要用了 materials, surface properties, functions or affordances, spatial envelop attributes and object presence 的 5 个大类属性。

## 3. 高级特征 ##

经典例子《Large-scale visual sentiment ontology and detectors using adjective noun pairs》[http://www.ee.columbia.edu/ln/dvmm/publications/13/visual\_sentiment\_ontology\_final.pdf][http_www.ee.columbia.edu_ln_dvmm_publications_13_visual_sentiment_ontology_final.pdf]，文中使用形容词名次对（adjective noun pairs (ANPs)）来对图片情感进行分类。

## 4. 基于学习的特征 ##

上述的特征大部分都是有人手工定义的，因此泛化性能交差，比如低级特征的方法用户高级特征主导的数据集，可能表现会很差。深度学习具有学习特征表示的能力，因此有大量深度学习的方法提出来解决图片情感分类问题。  
例如：

*  《Building a Large Scale Dataset for Image Emotion Recognition  
    The Fine Print and the Benchmark》[https://arxiv.org/abs/1605.02677][https_arxiv.org_abs_1605.02677].
 *  《Joint Image Emotion Classification and Distribution Learning via Deep Convolutional Neural Network》[https://www.ijcai.org/Proceedings/2017/0456.pdf][https_www.ijcai.org_Proceedings_2017_0456.pdf]
 *  《Learning Multi-level Deep Representations for Image Emotion Classification》[https://arxiv.org/pdf/1611.07145.pdf][https_arxiv.org_pdf_1611.07145.pdf]
 *  《Dependency Exploitation: A Unified CNN-RNN Approach for Visual Emotion Recognition》[https://pdfs.semanticscholar.org/45ff/2ecf58d84dab15c5651e4a10712329d26f36.pdf][https_pdfs.semanticscholar.org_45ff_2ecf58d84dab15c5651e4a10712329d26f36.pdf]
 *  《From Pixels to Sentiment: Fine-tuning CNNs for Visual Sentiment Prediction》[https://arxiv.org/pdf/1604.03489][https_arxiv.org_pdf_1604.03489]
 *  《Retrieving and classifying affective images via deep metric learning》[https://www.aaai.org/ocs/index.php/AAAI/AAAI18/paper/download/17143/15724][https_www.aaai.org_ocs_index.php_AAAI_AAAI18_paper_download_17143_15724]

第一篇论文：主要是基于迁移学习的，将预训练好的 ImageNet 迁移到情感图片数据集上，然后微调最后一层网络。  
第二篇论文：主要使用了一种多任务学习框架，不仅学习了图片情感分类任务，还学习了标签分布。  
第三篇论文：使用了一个多级网络，原理是前面的 CNN 学到的是低级特征，后面的 CNN 学到的是高级特征，然后再使用多个 CNN 层和完全连接层将多个特征融合到一起对图片情感进行分类。  
第四篇论文：基于第三篇论文，进一步研究了不同级别特征之间的关系对图片情感进行分类。  
第五篇论文：类似于第一篇论文的方面，基于迁移学习和微调的方法，不过其中的消融对照实验很有启发性。  
第六篇论文：使用一种多任务学习框架结合度量学习，不仅学习了图片情感分类任务，还学习的情绪之间的关系。

# （三）论文链接 #

*  《Building a Large Scale Dataset for Image Emotion Recognition  
    The Fine Print and the Benchmark》[https://arxiv.org/abs/1605.02677][https_arxiv.org_abs_1605.02677].
 *  《Affective Image Classification using Features Inspired by Psychology and Art Theory》[http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.393.7676&rep=rep1&type=pdf][http_citeseerx.ist.psu.edu_viewdoc_download_doi_10.1.1.393.7676_rep_rep1_type_pdf]
 *  《Sun attribute database: Discovering, annotating, and recognizing scene attributes》[http://static.cs.brown.edu/people/gmpatter/pub\_papers/SUN\_Attribute\_Database\_CVPR2012.pdf][http_static.cs.brown.edu_people_gmpatter_pub_papers_SUN_Attribute_Database_CVPR2012.pdf]
 *  《Large-scale visual sentiment ontology and detectors using adjective noun pairs》[http://www.ee.columbia.edu/ln/dvmm/publications/13/visual\_sentiment\_ontology\_final.pdf][http_www.ee.columbia.edu_ln_dvmm_publications_13_visual_sentiment_ontology_final.pdf]
 *  《Joint Image Emotion Classification and Distribution Learning via Deep Convolutional Neural Network》[https://www.ijcai.org/Proceedings/2017/0456.pdf][https_www.ijcai.org_Proceedings_2017_0456.pdf]
 *  《Learning Multi-level Deep Representations for Image Emotion Classification》[https://arxiv.org/pdf/1611.07145.pdf][https_arxiv.org_pdf_1611.07145.pdf]
 *  《Dependency Exploitation: A Unified CNN-RNN Approach for Visual Emotion Recognition》[https://pdfs.semanticscholar.org/45ff/2ecf58d84dab15c5651e4a10712329d26f36.pdf][https_pdfs.semanticscholar.org_45ff_2ecf58d84dab15c5651e4a10712329d26f36.pdf]
 *  《From Pixels to Sentiment: Fine-tuning CNNs for Visual Sentiment Prediction》[https://arxiv.org/pdf/1604.03489][https_arxiv.org_pdf_1604.03489]
 *  《Retrieving and classifying affective images via deep metric learning》[https://www.aaai.org/ocs/index.php/AAAI/AAAI18/paper/download/17143/15724][https_www.aaai.org_ocs_index.php_AAAI_AAAI18_paper_download_17143_15724]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zNzU4OTU3NQ_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20200305170539873.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zNzU4OTU3NQ==,size_16,color_FFFFFF,t_70
[https_arxiv.org_abs_1605.02677]: https://arxiv.org/abs/1605.02677
[http_citeseerx.ist.psu.edu_viewdoc_download_doi_10.1.1.393.7676_rep_rep1_type_pdf]: http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.393.7676&rep=rep1&type=pdf
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zNzU4OTU3NQ_size_16_color_FFFFFF_t_70 1]: https://img-blog.csdnimg.cn/2020030517431635.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zNzU4OTU3NQ==,size_16,color_FFFFFF,t_70
[http_static.cs.brown.edu_people_gmpatter_pub_papers_SUN_Attribute_Database_CVPR2012.pdf]: http://static.cs.brown.edu/people/gmpatter/pub_papers/SUN_Attribute_Database_CVPR2012.pdf
[http_www.ee.columbia.edu_ln_dvmm_publications_13_visual_sentiment_ontology_final.pdf]: http://www.ee.columbia.edu/ln/dvmm/publications/13/visual_sentiment_ontology_final.pdf
[https_www.ijcai.org_Proceedings_2017_0456.pdf]: https://www.ijcai.org/Proceedings/2017/0456.pdf
[https_arxiv.org_pdf_1611.07145.pdf]: https://arxiv.org/pdf/1611.07145.pdf
[https_pdfs.semanticscholar.org_45ff_2ecf58d84dab15c5651e4a10712329d26f36.pdf]: https://pdfs.semanticscholar.org/45ff/2ecf58d84dab15c5651e4a10712329d26f36.pdf
[https_arxiv.org_pdf_1604.03489]: https://arxiv.org/pdf/1604.03489
[https_www.aaai.org_ocs_index.php_AAAI_AAAI18_paper_download_17143_15724]: https://www.aaai.org/ocs/index.php/AAAI/AAAI18/paper/download/17143/15724