圖像情感分析就是利用計算機和相關(guān)算法,計算出圖像中包含的情感語義。目前,基于深度神經(jīng)網(wǎng)絡(luò)（DNN）的圖像情感分析已成為情感計算領(lǐng)域的研究熱點。本文利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）,從圖像情感分析模型的構(gòu)建、圖像的層次化特征提取、影響情感的重要特征的挖掘、以及緩解現(xiàn)有情感圖像數(shù)據(jù)集中各類樣本不平衡問題等角度,對基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的圖像情感分析開展深入的研究。本文主要工作和研究成果如下:1.針對目前情感圖像數(shù)據(jù)集中存在的樣本不平衡問題以及交叉熵損失函數(shù)對困難樣本關(guān)注度低等問題,充分利用Focal損失函數(shù)具有緩解樣本不平衡問題和挖掘困難樣本的特性,將Focal損失函數(shù)應用到基于CNN的圖像情感分析模型中。為了使Focal損失函數(shù)適用于多類別情感分類問題,提升模型挖掘訓練數(shù)據(jù)中困難樣本的能力,對Focal損失函數(shù)中的參數(shù)設(shè)置進行了改進。通過類別權(quán)重大小來確定平衡參數(shù)α,在神經(jīng)網(wǎng)絡(luò)模型訓練的不同階段,采用漸增方式對聚焦因子γ進行調(diào)節(jié),并將改進的Focal損失函數(shù)應用于圖像情感分析模型的神經(jīng)網(wǎng)絡(luò)訓練中。仿真實驗結(jié)果表明,改進的Focal損失函數(shù)能夠有效提升神經(jīng)網(wǎng)絡(luò)對圖像情感分析的性能,其準確率、... 

【文章來源】：杭州電子科技大學浙江省

【文章頁數(shù)】：59 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.0 引言
    1.1 圖像情感分析研究的背景和意義
    1.2 圖像情感分析的研究現(xiàn)狀
        1.2.1 情感語義的表示
        1.2.2 圖像情感分析的基本方法
        1.2.3 圖像情感數(shù)據(jù)集
    1.3 本文的主要內(nèi)容和結(jié)構(gòu)框架
    1.4 本章小結(jié)
第2章 圖像情感分析理論概述
    2.0 引言
    2.1 神經(jīng)網(wǎng)絡(luò)與深度學習基本理論
        2.1.1 神經(jīng)網(wǎng)絡(luò)
        2.1.2 卷積神經(jīng)網(wǎng)絡(luò)（CNN）
        2.1.3 循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）
        2.1.4 注意力機制
    2.2 基于深度神經(jīng)網(wǎng)絡(luò)的圖像情感分析方法
        2.2.1 基于弱標簽數(shù)據(jù)與遷移學習的圖像情感分析方法
        2.2.2 基于平均聚合函數(shù)特征融合的圖像情感分析方法
        2.2.3 基于CNN-RNN模型的圖像情感分析方法
    2.3 圖像情感分析模型的評價指標
    2.4 本章小結(jié)
第3章 Focal損失函數(shù)在圖像情感分析中的應用研究
    3.0 引言
    3.1 圖像情感分析中的數(shù)據(jù)不平衡問題
    3.2 Focal損失函數(shù)及改進
        3.2.1 平衡參數(shù)的確定
        3.2.2 聚焦參數(shù)的確定
    3.3 實驗結(jié)果及分析
        3.3.1 情感分析神經(jīng)網(wǎng)絡(luò)模型的選取與對比實驗設(shè)置
        3.3.2 實驗仿真對比
    3.4 本章小結(jié)
第4章 基于注意力機制的CNN-GRU圖像情感分析模型
    4.0 引言
    4.1 基于注意力機制的圖像情感分析模型
        4.1.1 模型概述
        4.1.2 CNN層次化特征提取及降維處理
        4.1.3 注意力機制與RNN特征融合
        4.1.4 模型訓練
    4.2 實驗結(jié)果及分析
    4.3 本章小結(jié)
第5章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
致謝
參考文獻
附錄


【參考文獻】：
期刊論文
[1]卷積神經(jīng)網(wǎng)絡(luò)的研究進展綜述[J]. 楊斌,鐘金英.  南華大學學報(自然科學版). 2016(03)
[2]深度學習研究進展[J]. 郭麗麗,丁世飛.  計算機科學. 2015(05)



本文編號：3154463