BỘ KHOA HỌC VÀ CÔNG NGHỆ
HỆ THỐNG THÔNG TIN QUỐC GIA VỀ KHOA HỌC, CÔNG NGHỆ VÀ ĐỔI MỚI SÁNG TẠO

Lọc theo danh mục
  • Năm xuất bản
    Xem thêm
  • Lĩnh vực
liên kết website
Lượt truy cập
 Lượt truy cập :  30,391,966
  • Công bố khoa học và công nghệ Việt Nam

15

Tâm lý học nói chung (gồm cả nghiên cứu quan hệ nguời - máy)

BB

Đỗ Hoàng Nam, Phan Thị Huyền Trang(1)

Phương pháp kết hợp dựa trên mô hình học sâu cho phân tích tình cảm trên hình ảnh

Deep learning-based ensemble method for sentiment analysis on images

Khoa học Giáo dục KT

2024

2

68-77

1859-1272

Image sentiment analysis, Ensemble model, VGG19-based CNN, ResNet50-based CNN, Convolutional neural network.

Phân tích tình cảm là quá trình xác định phân cực cảm xúc của con người đối với một thực thể được thể hiện trong các ý kiến của họ. Cùng với sự phát triển của khoa học công nghệ, các ý kiến được đưa lên mạng xã hội trở nên đa dạng hơn về hình thức. Trong đó, các ý kiến thể hiện thông qua các hình ảnh ngày càng chiếm ưu thế. Có nhiều phương pháp phân tích tình cảm trên hình ảnh được công bố trong những năm gần đây. Đáng chú ý phải kể đến các mô hình dựa trên convolutional neural network (CNN). Tuy nhiên, các phương pháp dựa trên mô hình CNN trước đây thường không thể trích xuất tốt các đặc trưng từ hình ảnh có độ phân giải thấp. Để giải quyết vấn đề nêu trên, trong nghiên cứu này, chúng tôi đề xuất phương pháp nâng cao hiệu suất phân tích cảm xúc trên hình ảnh bằng cách kết hợp hai mô hình transfer learning và mô hình CNN. Không giống như các mô hình dựa trên CNN khác, phương pháp của chúng tôi có thể trích xuất tốt hơn các đặc trưng cục bộ và toàn cục trên hình ảnh. Phương pháp đề xuất đã được thử nghiệm trên bộ dữ liệu FER2013 và cho thấy nó có thể cải thiện độ chính xác lên tới 9,03% so với các phương pháp cơ sở.

Sentiment analysis is to identify the polarity of people's emotions toward entities as expressed in their opinions. With the development of science and technology, opinions published on social networks become more diverse in forms, including texts, images, sounds, and videos. Among them, opinions expressed through images increasingly dominate. Many image sentiment analysis methods have been published in recent years. Methods based on convolutional neural networks (CNNs) are notable. However, previous methods based on CNNs often cannot extract features well from low-resolution images. To solve the mentioned problem, in this study, we propose a method to improve the performance of sentiment analysis on images by combining two transfer learning models and a CNN model. Unlike other CNN-based models, our method can better extract local and global features on images. The proposed method was experimented on the FER2013 dataset and shown that it can improve accuracy by up to 9.03% compared to baseline methods.

TTKHCNQG, CVv 389

Xem toàn văn