論文の概要: Decoding Visual Sentiment of Political Imagery

• arxiv url: http://arxiv.org/abs/2408.04103v1
• Date: Wed, 7 Aug 2024 21:44:56 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-09 17:10:20.237703
• Title: Decoding Visual Sentiment of Political Imagery
• Title（参考訳）: 政治画像の視覚知覚の復号化
• Authors: Olga Gasparyan, Elena Sirotkina,
• Abstract要約: 本研究では,視覚的感情分類に時間差を組み込むことにより,視覚的感情分析に新たなアプローチを導入する。 我々は、異なるイデオロギーの観点から視覚的感情を予測するために、深層学習マルチタスク・マルチクラスモデルを訓練した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: How can we define visual sentiment when viewers systematically disagree on their perspectives? This study introduces a novel approach to visual sentiment analysis by integrating attitudinal differences into visual sentiment classification. Recognizing that societal divides, such as partisan differences, heavily influence sentiment labeling, we developed a dataset that reflects these divides. We then trained a deep learning multi-task multi-class model to predict visual sentiment from different ideological viewpoints. Applied to immigration-related images, our approach captures perspectives from both Democrats and Republicans. By incorporating diverse perspectives into the labeling and model training process, our strategy addresses the limitation of label ambiguity and demonstrates improved accuracy in visual sentiment predictions. Overall, our study advocates for a paradigm shift in decoding visual sentiment toward creating classifiers that more accurately reflect the sentiments generated by humans.
• Abstract（参考訳）: 視聴者の視点に体系的に異を唱える場合、どのように視覚的感情を定義するか。 本研究では,視覚的感情分類に時間差を組み込むことにより,視覚的感情分析に新たなアプローチを導入する。 感情ラベル付けに大きく影響を及ぼすパルチザンの違いなど,社会的な分断が認識され,これらの分断を反映したデータセットを開発した。 そして、異なるイデオロギーの観点から視覚的感情を予測するために、深層学習型マルチタスク・マルチクラスモデルを訓練した。 移民関連の画像に応用して、われわれのアプローチは民主党と共和党の両方の視点を捉えている。 ラベル付けとモデルトレーニングプロセスに多様な視点を取り入れることで、ラベルの曖昧さの限界に対処し、視覚的感情予測における精度の向上を実証する。 全体として、人間の感情をより正確に反映した分類器の作成に向けて、視覚的感情をデコードするパラダイムシフトを提唱する。

関連論文リスト

• When Does Perceptual Alignment Benefit Vision Representations? [76.32336818860965]
  視覚モデル表現と人間の知覚的判断との整合がユーザビリティに与える影響について検討する。 モデルと知覚的判断を一致させることで、多くの下流タスクで元のバックボーンを改善する表現が得られることがわかった。 その結果,人間の知覚的知識に関する帰納バイアスを視覚モデルに注入することは,より良い表現に寄与することが示唆された。
  論文  参考訳（メタデータ） (2024-10-14T17:59:58Z)
• Explaining Representation Learning with Perceptual Components [14.10876324116018]
  自己教師付きモデルは明確な意味を持たない表現空間を作成する。 色,形状,テクスチャという3つの重要な知覚成分を用いて表現空間を解析する新しい手法を提案する。 我々のアプローチは表現空間の解釈可能性を高め、人間の視覚的知覚に共鳴する説明を提供する。
  論文  参考訳（メタデータ） (2024-06-11T04:08:37Z)
• MetaCLUE: Towards Comprehensive Visual Metaphors Research [43.604408485890275]
  本稿では,視覚的メタファの視覚的タスクであるMetaCLUEを紹介する。 我々は、アノテーションに基づいて、視覚と言語における最先端モデルの包括的分析を行う。 この研究が、人間のようなクリエイティブな能力を持つAIシステムを開発するための具体的なステップを提供することを期待している。
  論文  参考訳（メタデータ） (2022-12-19T22:41:46Z)
• Localization vs. Semantics: Visual Representations in Unimodal and Multimodal Models [57.08925810659545]
  既存の視覚・言語モデルと視覚のみのモデルにおける視覚表現の比較分析を行う。 我々の経験的観察は、視覚・言語モデルがラベル予測タスクに優れていることを示唆している。 我々の研究は、視覚学習における言語の役割に光を当て、様々な事前学習モデルの実証的なガイドとして機能することを願っている。
  論文  参考訳（メタデータ） (2022-12-01T05:00:18Z)
• A domain adaptive deep learning solution for scanpath prediction of paintings [66.46953851227454]
  本稿では,ある絵画の視覚的体験における視聴者の眼球運動分析に焦点を当てた。 我々は、人間の視覚的注意を予測するための新しいアプローチを導入し、人間の認知機能に影響を及ぼす。 提案した新しいアーキテクチャは、画像を取り込んでスキャンパスを返す。
  論文  参考訳（メタデータ） (2022-09-22T22:27:08Z)
• 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)
• Visual Superordinate Abstraction for Robust Concept Learning [80.15940996821541]
  概念学習は言語意味論と結びついた視覚表現を構成する。 視覚概念の本質的な意味的階層を探索する失敗のボトルネックについて説明する。 本稿では,意味認識型視覚サブ空間を明示的にモデル化するビジュアル・スーパーオーディネート・抽象化・フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-28T14:27:38Z)
• Building a visual semantics aware object hierarchy [0.0]
  視覚的意味論を意識したオブジェクト階層を構築するための新しい教師なし手法を提案する。 この論文の直感は、概念が階層的に組織化されている現実世界の知識表現から来ています。 評価は2つの部分から構成され、まず、構築された階層をオブジェクト認識タスクに適用し、その上で、視覚的階層と既存の語彙階層を比較して、提案手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-02-26T00:10:21Z)
• Exploring Visual Engagement Signals for Representation Learning [56.962033268934015]
  VisEは、クラスタ化されたエンゲージメント信号から派生した擬似ラベルにソーシャルイメージをマップする弱い教師付き学習アプローチである。 この方法でトレーニングされたモデルが、感情認識や政治的バイアス検出といった主観的なコンピュータビジョンタスクにどのように役立つかを研究する。
  論文  参考訳（メタデータ） (2021-04-15T20:50:40Z)

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。