論文の概要: Dimensional Distribution Emotion State: Leveraging Valence and Arousal as a Common Embedding Space for Visual Emotion Analysis

• arxiv url: http://arxiv.org/abs/2605.26262v1
• Date: Mon, 25 May 2026 18:44:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:41.364063
• Title: Dimensional Distribution Emotion State: Leveraging Valence and Arousal as a Common Embedding Space for Visual Emotion Analysis
• Title（参考訳）: 次元分布感情状態:視覚的感情分析のための共通埋め込み空間としての妥当性と覚醒の活用
• Authors: Émile Bergeron, Tadagbé Dhossou, Sébastien Tremblay, Jean-François Lalonde,
• Abstract要約: 博物館は文化や芸術の普及のための重要な場所であり、歴史や伝統に根ざした機関であり、展示はこれらの側面を強調するように設計されていることが多い。 近年,感情に基づく展覧会という新たなアプローチが研究されている。 これらの展示は、訪問者の感情を引き出すために特別にデザインされ、エンゲージメントを最大化し、芸術へのアクセスを民主化し、より幅広い、より多様な観客を引き付ける方法としてデザインされている。 美術館の学芸員がこれらの展覧会のデザインを手伝うために,芸術作品によって引き起こされる感情的反応を予測するツールを開発したいと考えている。
• 参考スコア（独自算出の注目度）: 9.759956752894707
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Museums are important sites for the dissemination of culture and art. They are institutions rooted in history and tradition; their exhibitions are often designed to highlight these aspects. Recently, a new approach is being explored in the field: emotion-based exhibitions. These exhibitions are designed specifically to elicit emotions in the visitors, in order to maximize engagement, and as a way to democratize access to art and attract a wider, more diverse audience. To do so, the emotional content of the artworks must first be extracted, however, manually annotating the artworks by experts is a prohibitively labor-intensive process, and risks introducing the personal bias of curators. To assist the museum curators in their design of these exhibitions, we wish to develop a tool that can predict the emotional response evoked by a work of art. In this article, we leverage a continuous bi-dimensional emotion space to enhance emotion representations and the training process of deep learning models. Drawing inspiration from existing categorical and dimensional emotion representations, we introduce a new representation, Dimensional Distribution Emotion State (DDES), along with a pipeline for multi-dataset training. We show that DDES provides multiple advantages compared to widely used representations while exhibiting similar baseline performance.
• Abstract（参考訳）: 博物館は文化や芸術の普及のための重要な場所である。 これらは歴史や伝統に根ざした機関であり、展示はしばしばこれらの側面を強調するように設計されている。 近年,感情に基づく展覧会という新たなアプローチが研究されている。 これらの展示は、訪問者の感情を引き出すために特別にデザインされ、エンゲージメントを最大化し、芸術へのアクセスを民主化し、より幅広い、より多様な観客を引き付ける方法としてデザインされている。 そのためには、まず作品の感情的内容を取り出す必要があるが、専門家による手作業による注釈付けは、明らかに労働集約的なプロセスであり、キュレーターの個人的偏見を導入するリスクである。 美術館の学芸員がこれらの展覧会のデザインを手伝うために,芸術作品によって引き起こされる感情的反応を予測するツールを開発したいと考えている。 本稿では,2次元の連続的感情空間を活用し,感情表現と深層学習モデルの学習過程を強化する。 既存のカテゴリー的・次元的な感情表現からインスピレーションを得た上で,新たな表現であるDES(Digital Distribution Emotion State)と,マルチデータセットトレーニングのためのパイプラインを導入する。 DDESは、広く使われている表現と比較して、類似したベースライン性能を示しながら、複数の利点があることを示す。

関連論文リスト

• EmoVerse: A MLLMs-Driven Emotion Representation Dataset for Interpretable Visual Emotion Analysis [61.87711517626139]
  EmoVerseは、解釈可能な視覚的感情分析を可能にする、大規模なオープンソースデータセットである。 219k以上の画像で、データセットはさらにカテゴリー感情状態(CES)と次元感情空間(DES)の2つのアノテーションを含んでいる。
  論文  参考訳（メタデータ） (2025-11-16T11:16:50Z)
• Anatomy of a Feeling: Narrating Embodied Emotions via Large Vision-Language Models [1.8349570933241344]
  身体的LVLM感情ナラティブ(ELENA)を生成するための枠組みを提案する。 これらは、感情的な反応に関与する健康な身体の部分に焦点を当てた、明確に定義された多層テキスト出力である。 我々は,我々の採用したフレームワークが,顔に写った画像の感情を効果的に認識し,微調整をせずにベースラインを上回り得ることを観察した。
  論文  参考訳（メタデータ） (2025-09-23T21:34:57Z)
• EmotiCrafter: Text-to-Emotional-Image Generation based on Valence-Arousal Model [23.26111054485357]
  連続感情画像コンテンツ生成(C-EICG)の新たな課題について紹介する。 本稿では,テキストプロンプトとValence-Arousal値に基づいて画像を生成する感情画像生成モデルであるEmotiCrafterを提案する。
  論文  参考訳（メタデータ） (2025-01-10T04:41:37Z)
• 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)
• 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)
• Stimuli-Aware Visual Emotion Analysis [75.68305830514007]
  本稿では,刺激選択,特徴抽出,感情予測の3段階からなる刺激認識型視覚感情分析(VEA)手法を提案する。 我々の知る限りでは、エンド・ツー・エンドのネットワークでVEAに刺激選択プロセスを導入するのは初めてです。 実験により、提案手法は、4つの公的な視覚的感情データセットに対する最先端のアプローチよりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2021-09-04T08:14:52Z)
• Using Knowledge-Embedded Attention to Augment Pre-trained Language Models for Fine-Grained Emotion Recognition [0.0]
  我々は,事前学習した自己意識モデルに外部知識を導入することで,微粒な感情認識を改善することに集中する。 結果と誤差解析は,複数のデータセットで過去のモデルより優れていた。
  論文  参考訳（メタデータ） (2021-07-31T09:41:44Z)
• A Circular-Structured Representation for Visual Emotion Distribution Learning [82.89776298753661]
  視覚的感情分布学習に先立つ知識を活用するために,身近な円形構造表現を提案する。 具体的には、まず感情圏を構築し、その内にある感情状態を統一する。 提案した感情圏では、各感情分布は3つの属性で定義される感情ベクトルで表される。
  論文  参考訳（メタデータ） (2021-06-23T14:53:27Z)
• Computational Emotion Analysis From Images: Recent Advances and Future Directions [79.05003998727103]
  本章では,画像感情分析(IEA)を計算的観点から導入することを目的としている。 心理学の一般的な感情表現モデルから始めます。 そして、研究者たちが解決しようとしている重要な計算問題を定義します。
  論文  参考訳（メタデータ） (2021-03-19T13:33:34Z)

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。