![](https://csdnimg.cn/release/download_crawler_static/88424361/bg4.jpg)
4 R。Panda,J.Zhang,H.Li,J.李,X。Lu和A.K. Roy-Chowdhury
通过手动清理数据或开发用于降低噪声水平的特定机制来使用Web数
据的优点,我们证明了噪声Web数据可以与用于从自然图像识别细粒
度情感的课程引导学习策略一起令人惊讶地有效
课程学习。我们的工作与课程学习有关[33,11,64,19,44,2],它
通过逐渐在训练中包括容易到复杂的样本来学习模型,以增加训练样
本的熵然而,与这些通常关注于输入训练数据的演变的现有工作不
同, 我们的方法集中于输出域的演变,即,情绪类别从预测容易到
预测困难的演变。
分层识别。类别层次结构已经成功地在几个识别任务中被杠杆化:图
像分类[61,58,20,34,3,8],对象
检测[9,39],图像注释[52]和概念学习[24](参见[46]的概述)。基于
CNN的方法[48,61,58,55]也使用了大规模图像分类的类与这些主
要使用干净的手动标记数据集来学习层次结构的方法不同,我们采用
心理学[42]的情感我们的基本思想是,情感层次结构可以提供指导,
学习更困难的任务,在一个顺序的方式,也提供正则化的标签噪声。
3 理解情感数据集
目标.我们在本节中的主要目标是使用一系列测试来识别、显示和测
量现有情感识别数据集中的数据集偏差。
数据集。我们选取了三个有代表性的数据集,包括我们新创建的一
个:(1)Deep Sentiment [62]数据集,包含来自Twitter的1269张图像
(2)
目前最大的Deep Emotion数据集[63],(3)我们的Emotion-6数
据集,包含8350张图像(
愤怒
:1604,
恐惧
:1280,
喜悦
:1964,
爱
:724,
悲伤
:2221,
惊讶
:557),由五个人类主体
从Google和
Flickr收集的最初150 K图像中标记(见supp)。我们创建Emotion-6
数据集的主要动机是重复现有工作[63,62]使用的标准数据收集/注
释协议,并查看它在数据集偏差方面的表现如何测试1.命名为
Dataset Game。为了对不同数据集之间的关系有一个初步的了解,
我们通过运行
Name
That Dataset Game
开始分析,
如[51]所示。 我们
从三个数据集的训练部分中随机抽取500张图像
,并在ResNet-50特征上训练
一个3类线性分类器。然后,我们对来自每个测试集的100个随机
图像进行测试,并观察到分类器在区分不同数据集方面相当出
色,性能为63.67%混淆矩阵中的明显对角线(图2.a)表明,这些
数据集具有导致偏倚存在例如,从图2.b中的测试集视觉检查高置
信度正确预测表明,Deep Emotion数据集对主要集中在公园(第2
行)的户外场景具有强烈的偏好,而Emotion-6倾向于偏向单个对
象以干净背景和规范视点为中心的图像(第3行)。