論文の概要: Multimodal Sentiment Analysis: Perceived vs Induced Sentiments

• arxiv url: http://arxiv.org/abs/2312.07627v1
• Date: Tue, 12 Dec 2023 07:24:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-14 18:00:10.864283
• Title: Multimodal Sentiment Analysis: Perceived vs Induced Sentiments
• Title（参考訳）: マルチモーダル・センティメント分析 : 知覚と誘発センティメント
• Authors: Aditi Aggarwal, Deepika Varshney, Saurabh Patel
• Abstract要約: GIFの感情を予測するために,視覚的特徴とテキスト的特徴を統合したフレームワークを提案する。 また、顔の感情検出やOCR生成キャプションなどの属性を取り入れ、GIFのセマンティックな側面をキャプチャする。 開発した分類器は、TwitterのGIFで82.7%の精度を実現している。
• 参考スコア（独自算出の注目度）: 1.6574413179773761
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Social media has created a global network where people can easily access and exchange vast information. This information gives rise to a variety of opinions, reflecting both positive and negative viewpoints. GIFs stand out as a multimedia format offering a visually engaging way for users to communicate. In this research, we propose a multimodal framework that integrates visual and textual features to predict the GIF sentiment. It also incorporates attributes including face emotion detection and OCR generated captions to capture the semantic aspects of the GIF. The developed classifier achieves an accuracy of 82.7% on Twitter GIFs, which is an improvement over state-of-the-art models. Moreover, we have based our research on the ReactionGIF dataset, analysing the variance in sentiment perceived by the author and sentiment induced in the reader
• Abstract（参考訳）: ソーシャルメディアは、人びとが大量の情報にアクセスし、交換できるグローバルなネットワークを作った。 この情報は、ポジティブな視点とネガティブな視点の両方を反映して、様々な意見を生み出します。 GIFは、視覚的に魅力的なコミュニケーション方法を提供するマルチメディアフォーマットとして際立っている。 本研究では,視覚的特徴とテキスト的特徴を統合し,GIFの感情を予測するマルチモーダルフレームワークを提案する。 また、顔の感情検出やOCR生成キャプションなどの属性を取り入れ、GIFのセマンティックな側面をキャプチャする。 開発された分類器は、TwitterのGIFで82.7%の精度を実現している。 さらに、本研究では、著者の知覚する感情のばらつきと読者の感情を分析し、リアクションGIFデータセットに基づく調査を行った。

関連論文リスト

• Target-Dependent Multimodal Sentiment Analysis Via Employing Visual-to Emotional-Caption Translation Network using Visual-Caption Pairs [13.922091192207718]
  本研究では,VECTN(Visual-to-Emotional-Caption Translation Network)と呼ばれる新しい手法を提案する。 この戦略の主な目的は、表情を分析して視覚的感情の手がかりを効果的に獲得することである。 得られた感情的手がかりとキャプションモードの目標属性を効果的に調整し、ブレンドする。 実験結果から,提案モデルが81.23%,マクロF1が80.61%の精度をTwitter-15データセット上で達成していることがわかった。
  論文  参考訳（メタデータ） (2024-08-05T15:56:55Z)
• StyleEDL: Style-Guided High-order Attention Network for Image Emotion Distribution Learning [69.06749934902464]
  StyleEDLと呼ばれる画像感情分布学習のためのスタイル誘導型高次アテンションネットワークを提案する。 StyleEDLは視覚内容の階層的スタイリスティック情報を探索することにより、画像のスタイリスティックな表現を対話的に学習する。 さらに、コンテンツ依存の感情表現を動的に生成するスタイリスティックなグラフ畳み込みネットワークを導入する。
  論文  参考訳（メタデータ） (2023-08-06T03:22:46Z)
• AoM: Detecting Aspect-oriented Information for Multimodal Aspect-Based Sentiment Analysis [14.173085246365826]
  本稿ではアスペクト関連意味情報と感情情報を検出するアスペクト指向手法(AoM)を提案する。 感情情報を正確に集約するために,感情をAoMに埋め込み,グラフ畳み込みネットワークを用いて視覚・テキスト・テキストインタラクションをモデル化する。
  論文  参考訳（メタデータ） (2023-05-31T11:50:43Z)
• EDSA-Ensemble: an Event Detection Sentiment Analysis Ensemble Architecture [63.85863519876587]
  Sentiment Analysisを使って、イベントに属する各メッセージの極性やイベント全体を理解することで、オンラインソーシャルネットワークにおける重要なトレンドやダイナミクスに関する一般的な感情や個人の感情をよりよく理解することができます。 本研究では,ソーシャルメディアから現在起きているイベントの極性検出を改善するために,イベント検出と知覚分析を用いた新しいアンサンブルアーキテクチャEDSA-Ensembleを提案する。
  論文  参考訳（メタデータ） (2023-01-30T11:56:08Z)
• Seeking Subjectivity in Visual Emotion Distribution Learning [93.96205258496697]
  視覚感情分析(VEA)は、人々の感情を異なる視覚刺激に向けて予測することを目的としている。 既存の手法では、集団投票プロセスにおいて固有の主観性を無視して、統合されたネットワークにおける視覚的感情分布を予測することが多い。 視覚的感情分布の主観性を調べるために,新しいテキストサブジェクティビティ評価ネットワーク(SAMNet)を提案する。
  論文  参考訳（メタデータ） (2022-07-25T02:20:03Z)
• Open-Domain, Content-based, Multi-modal Fact-checking of Out-of-Context Images via Online Resources [70.68526820807402]
  実際のイメージは、コンテキストや要素を誤って表現することによって、他の物語をサポートするために再目的化される。 私たちのゴールは、画像とコンテキストのペアリングを事実チェックすることで、この時間を要する、推論集約的なプロセスを自動化する検査可能な方法です。 私たちの研究は、オープンドメイン、コンテンツベース、マルチモーダルなファクトチェックのための最初のステップとベンチマークを提供します。
  論文  参考訳（メタデータ） (2021-11-30T19:36:20Z)
• SOLVER: Scene-Object Interrelated Visual Emotion Reasoning Network [83.27291945217424]
  画像から感情を予測するために,SOLVER(Scene-Object Interrelated Visual Emotion Reasoning Network)を提案する。 異なるオブジェクト間の感情関係を掘り下げるために、まずセマンティックな概念と視覚的特徴に基づいて感情グラフを構築します。 また、シーンとオブジェクトを統合するScene-Object Fusion Moduleを設計し、シーンの特徴を利用して、提案したシーンベースのアテンションメカニズムでオブジェクトの特徴の融合プロセスを導出する。
  論文  参考訳（メタデータ） (2021-10-24T02:41:41Z)
• MONITOR: A Multimodal Fusion Framework to Assess Message Veracity in Social Networks [0.0]
  ソーシャルネットワークのユーザーは、コンテンツをほとんど抑制せずに投稿し共有する傾向がある。 噂や偽ニュースは急速に広まる可能性がある。 これはソーシャルメディアの信頼性を脅かし、現実の生活に深刻な結果をもたらす可能性がある。
  論文  参考訳（メタデータ） (2021-09-06T07:41:21Z)
• Visual Sentiment Analysis from Disaster Images in Social Media [11.075683976162766]
  本稿では,社会的な重要な領域における視覚的感情分析,すなわちソーシャルメディアにおける災害分析に焦点を当てる。 本稿では,災害関連画像に対する深い視覚的感情分析手法を提案し,視覚的感情分析のさまざまな側面について述べる。 提案システムは,様々な利害関係者を支援することで,より生き生きとしたコミュニティに貢献できると考えている。
  論文  参考訳（メタデータ） (2020-09-04T11:29:52Z)
• Tweets Sentiment Analysis via Word Embeddings and Machine Learning Techniques [1.345251051985899]
  本論文では、感情分類のための特徴選択モデルWord2vecと機械学習アルゴリズムランダムフォレストを用いて、リアルタイムの2019年選挙Twitterデータに対する感情分析を行うことを目的とする。 Word2vecはテキスト中の単語の文脈意味を考慮し、特徴の質を改善し、機械学習と感情分析の精度を向上させる。
  論文  参考訳（メタデータ） (2020-07-05T08:10:30Z)
• EmotiCon: Context-Aware Multimodal Emotion Recognition using Frege's Principle [71.47160118286226]
  EmotiConは、ビデオや画像から知覚された人間の感情認識をコンテキスト認識する学習アルゴリズムである。 心理学からフレーゲの文脈原理に動機づけられた我々のアプローチは、感情認識のための文脈の3つの解釈を組み合わせたものである。 平均精度 (AP) スコアは26クラスで35.48であり, 従来の手法よりも7-8の改善が見られた。
  論文  参考訳（メタデータ） (2020-03-14T19:55:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。