La rete neurale valuta le immagini per i livelli di felicità

La sentiment analysis sta rivoluzionando lo studio della comunicazione con numerose aziende che ora la offrono come servizio. L'idea è di studiare gli schemi delle parole nei messaggi come tweet e blog per determinare in che misura sono positivi o negativi. Ciò consente ad aziende, organizzazioni e partiti politici di tracciare automaticamente le opinioni sui propri marchi.

Ma mentre questa tecnologia si è evoluta, poche ricerche si sono concentrate sul sentimento nelle immagini. Oggi, le cose cambiano grazie al lavoro di Can Xu presso l'Università della California, San Diego, e un gruppo di ricercatori di Yahoo Labs a Sunnyvale. Queste persone hanno sviluppato un modo per valutare automaticamente il sentimento associato a un'immagine e affermare che supera le altre tecniche all'avanguardia.

Xu e co non iniziano da zero. Mentre il sentimento nelle immagini è stato ampiamente ignorato, il problema del riconoscimento degli oggetti nelle immagini è un campo ben sviluppato che è migliorato a passi da gigante negli ultimi anni.

Quindi Xu e compagni iniziano con una rete neurale già addestrata su un set di dati di immagini che mostrano oggetti suddivisi in 1000 classificazioni. Quando viene mostrata un'immagine, questa rete fornisce una distribuzione che mostra quanto è probabile che l'immagine rientri in ciascuna di queste 1.000 classificazioni.

È questo output di 1.000 dimensioni che Xu e co usano nella loro ricerca. Per prima cosa prendono due set di dati di immagini da Tumblr e Twitter che sono già stati valutati per il sentimento su una scala di cinque punti di molto negativo, negativo, neutro, positivo e molto positivo.

Quindi addestrano un algoritmo di apprendimento automatico per trovare una correlazione tra l'output di 1.000 dimensioni e il sentimento. Dopo aver addestrato la macchina, la confrontano con altre due tecniche di analisi del sentimento all'avanguardia, come una che si basa su caratteristiche visive di basso livello come il colore dell'immagine e un'altra chiamata SentiBank, che genera una descrizione di un aggettivo sostantivo di un'immagine e quindi dà un senso di sentimento.

Xu e compagni affermano che la loro tecnica supera notevolmente gli approcci esistenti. Gli esperimenti dimostrano che i nostri modelli proposti superano i metodi all'avanguardia sui set di dati di Twitter e Tumblr, affermano.

Questo è un utile inizio nel campo incipiente dell'analisi senziente delle immagini. I risultati per la prima volta suggeriscono che le reti neurali convoluzionali sono molto promettenti per l'analisi del sentimento visivo, dicono.

Tuttavia, c'è molto lavoro da fare. Un problema noto con l'analisi del sentimento basata sulle parole è che non affronta sottili influenze culturali, come il sarcasmo e l'ironia. E questo tipo di comportamento unicamente umano può ridurre gravemente l'affidabilità dell'analisi del sentimento.

L'importanza di questo tipo di idiosincrasie per le immagini deve ancora essere determinata, ma il sentimento dell'immagine potrebbe essere ancora un'altra area in cui le prestazioni umane saranno presto monitorate e forse anche abbinate dalle macchine.

Rif: arxiv.org/abs/1411.5731 : Previsione del sentimento visivo con reti neurali convoluzionali profonde

nascondere