211service.com
Sieć neuronowa ocenia obrazy pod kątem poziomów szczęścia
Analiza nastrojów rewolucjonizuje badanie komunikacji z wieloma firmami, które obecnie oferują ją jako usługę. Pomysł polega na zbadaniu wzorców słów w wiadomościach, takich jak tweety i blogi, aby określić, w jakim stopniu są one pozytywne lub negatywne. Dzięki temu firmy, organizacje i partie polityczne mogą automatycznie śledzić opinie na temat ich marek.
Ale podczas gdy ta technologia ewoluowała, niewiele badań koncentrowało się na sentymencie na zdjęciach. Dziś to się zmienia dzięki pracy Can Xu z Uniwersytetu Kalifornijskiego w San Diego oraz grupy badaczy z Yahoo Labs w Sunnyvale. Ci ludzie opracowali sposób na automatyczną ocenę nastrojów związanych z obrazem i stwierdzenie, że przewyższa inne najnowocześniejsze techniki.
Xu i co nie zaczynają od zera. Chociaż sentyment na obrazach został w dużej mierze zignorowany, problem rozpoznawania obiektów na obrazach jest dobrze rozwiniętą dziedziną, która w ostatnich latach uległa znacznej poprawie.
Tak więc Xu i spółka zaczynają od sieci neuronowej, która została już wytrenowana na zbiorze danych obrazów przedstawiających obiekty podzielone na 1000 klasyfikacji. Po wyświetleniu obrazu sieć ta podaje rozkład pokazujący, jak prawdopodobne jest, że obraz należy do każdej z tych 1000 klasyfikacji.
To właśnie ten 1000-wymiarowy materiał wyjściowy Xu i jego współpracownicy wykorzystują w swoich badaniach. Najpierw biorą dwa zestawy danych obrazów z Tumblra i Twittera, które zostały już ocenione pod kątem nastrojów w pięciopunktowej skali: bardzo negatywnej, negatywnej, neutralnej, pozytywnej i bardzo pozytywnej.
Następnie szkolą algorytm uczenia maszynowego, aby znaleźć korelację między danymi wyjściowymi 1000-wymiarowymi a nastrojem. Po przeszkoleniu maszyny porównują ją z dwiema innymi najnowocześniejszymi technikami analizy sentymentu, takimi jak jedna, która opiera się na cechach wizualnych niskiego poziomu, takich jak kolor obrazu, oraz druga o nazwie SentiBank, która generuje opis przymiotnika-rzeczownika. i stąd daje poczucie sentymentu.
Xu i spółka twierdzą, że ich technika znacznie przewyższa istniejące podejścia. Eksperymenty pokazują, że proponowane przez nas modele przewyższają najnowocześniejsze metody w zestawach danych Twittera i Tumblra.
To przydatny początek w początkowej dziedzinie analizy świadomości obrazu. Wyniki po raz pierwszy sugerują, że splotowe sieci neuronowe są bardzo obiecujące dla wizualnej analizy sentymentu.
Niemniej jednak czeka nas znaczna praca. Jednym ze znanych problemów ze słowną analizą sentymentów jest to, że nie radzi sobie z subtelnymi wpływami kulturowymi, takimi jak sarkazm i ironia. A tego rodzaju wyjątkowo ludzkie zachowanie może poważnie zmniejszyć wiarygodność analizy sentymentu.
To, jak ważne będą tego rodzaju dziwactwa dla obrazów, nie zostało jeszcze ustalone, ale sentyment do obrazów może być kolejnym obszarem, w którym ludzkie działania będą wkrótce monitorowane, a być może nawet dopasowywane przez maszyny.
Nr ref.: arxiv.org/abs/1411.5731 : Wizualne przewidywanie nastrojów za pomocą głębokich splotowych sieci neuronowych