基于CNN的图像情感分析研究

发布时间：2021-04-22 21:01

　　图像情感分析就是利用计算机和相关算法,计算出图像中包含的情感语义。目前,基于深度神经网络（DNN）的图像情感分析已成为情感计算领域的研究热点。本文利用卷积神经网络（CNN）,从图像情感分析模型的构建、图像的层次化特征提取、影响情感的重要特征的挖掘、以及缓解现有情感图像数据集中各类样本不平衡问题等角度,对基于卷积神经网络（CNN）的图像情感分析开展深入的研究。本文主要工作和研究成果如下:1.针对目前情感图像数据集中存在的样本不平衡问题以及交叉熵损失函数对困难样本关注度低等问题,充分利用Focal损失函数具有缓解样本不平衡问题和挖掘困难样本的特性,将Focal损失函数应用到基于CNN的图像情感分析模型中。为了使Focal损失函数适用于多类别情感分类问题,提升模型挖掘训练数据中困难样本的能力,对Focal损失函数中的参数设置进行了改进。通过类别权重大小来确定平衡参数α,在神经网络模型训练的不同阶段,采用渐增方式对聚焦因子γ进行调节,并将改进的Focal损失函数应用于图像情感分析模型的神经网络训练中。仿真实验结果表明,改进的Focal损失函数能够有效提升神经网络对图像情感分析的性能,其准确率、... 

【文章来源】：杭州电子科技大学浙江省

【文章页数】：59 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.0 引言
    1.1 图像情感分析研究的背景和意义
    1.2 图像情感分析的研究现状
        1.2.1 情感语义的表示
        1.2.2 图像情感分析的基本方法
        1.2.3 图像情感数据集
    1.3 本文的主要内容和结构框架
    1.4 本章小结
第2章 图像情感分析理论概述
    2.0 引言
    2.1 神经网络与深度学习基本理论
        2.1.1 神经网络
        2.1.2 卷积神经网络（CNN）
        2.1.3 循环神经网络（RNN）
        2.1.4 注意力机制
    2.2 基于深度神经网络的图像情感分析方法
        2.2.1 基于弱标签数据与迁移学习的图像情感分析方法
        2.2.2 基于平均聚合函数特征融合的图像情感分析方法
        2.2.3 基于CNN-RNN模型的图像情感分析方法
    2.3 图像情感分析模型的评价指标
    2.4 本章小结
第3章 Focal损失函数在图像情感分析中的应用研究
    3.0 引言
    3.1 图像情感分析中的数据不平衡问题
    3.2 Focal损失函数及改进
        3.2.1 平衡参数的确定
        3.2.2 聚焦参数的确定
    3.3 实验结果及分析
        3.3.1 情感分析神经网络模型的选取与对比实验设置
        3.3.2 实验仿真对比
    3.4 本章小结
第4章 基于注意力机制的CNN-GRU图像情感分析模型
    4.0 引言
    4.1 基于注意力机制的图像情感分析模型
        4.1.1 模型概述
        4.1.2 CNN层次化特征提取及降维处理
        4.1.3 注意力机制与RNN特征融合
        4.1.4 模型训练
    4.2 实验结果及分析
    4.3 本章小结
第5章 总结与展望
    5.1 总结
    5.2 展望
致谢
参考文献
附录


【参考文献】：
期刊论文
[1]卷积神经网络的研究进展综述[J]. 杨斌,钟金英.  南华大学学报(自然科学版). 2016(03)
[2]深度学习研究进展[J]. 郭丽丽,丁世飞.  计算机科学. 2015(05)



本文编号：3154463