情感分析的常见类型与挑战
 作为多媒体情感分析的一部分，与基于文本的分析相比，视觉情感AI在开发和商业整合方面还远远不够。 当前情感分析应用的一个好例子是数字图像存储库中通过情感标识符(“幸福”、“爱”、“喜悦”、“愤怒”)进行视觉内容搜索，以及自动的图像和视频标签预测。即将出现的应用是出于教育、政治、文化、安全及其他目的，对人们情感的自动理解。 目前，视觉/文本分析，以及图像注释和伴随文本的分析仍然是机器学习进程的主要来源，旨在创建用于视觉情感分析的人工智能。 视觉情绪分析的数据也可以来自社交媒体:来自Flickr、Twitter、Tumblr的图片;公共托管视频平台(YouTube等) 得益于许多著名的带注释的静态图像数据集，我们可以很容易地对面部表情进行解释和分类。复杂或抽象的图像以及视频和实时视觉的情感分析是一个更大的问题，特别是遇到缺少具体标签，或强行做出的和不准确的表情等这些情况时。 复杂的视觉情感分析需要更高层次的抽象、文化知识，以及对主体性、概念和线索的理解。获得已标记的数据集是很难的，为学习提取和预测所表达的含义这一目的而创建模型也是很难的。 尽管最近的研究让我们看到了很多希望，但更重要的是它们首先也表明了这样一个事实：在我们发明视觉测谎仪和威胁检测安全系统，能够结合下意识的面部表情和肢体语言来分析潜在的危险情况之前，还有很长的路要走。 音频情感分析 语音聊天机器人正在成为我们生活中越来越重要的一部分，比如客户服务电话中常听见的某种“固定”的响应或问候。这些语音助手要么已经在使用，要么即将使用情感分析技术，虽然还远非完美。 从语音语调和环境中检测压力、沮丧和其他情绪是机器已经能够完成的任务之一。理解和模拟韵律和调性的能力是目前语音处理和合成的一个重要部分。 现有的用于音频情绪分析的情绪检测方法通常与语音识别相结合。这种分析的参数是一组可检测的声学特征：音调、音强、节奏、频谱系数等等。 慕尼黑开源情感与情感识别工具包(openEAR)是最受认可的情感分析工具包之一，能够提取4000多个特征(56个声学低级别描述符中的39个功能)。 作为多媒体情感分析的一部分，与基于文本的分析相比，视觉情感AI在开发和商业整合方面还远远不够。 当前情感分析应用的一个好例子是数字图像存储库中通过情感标识符(“幸福”、“爱”、“喜悦”、“愤怒”)进行视觉内容搜索，以及自动的图像和视频标签预测。即将出现的应用是出于教育、政治、文化、安全及其他目的，对人们情感的自动理解。 目前，视觉/文本分析，以及图像注释和伴随文本的分析仍然是机器学习进程的主要来源，旨在创建用于视觉情感分析的人工智能。 视觉情绪分析的数据也可以来自社交媒体:来自Flickr、Twitter、Tumblr的图片;公共托管视频平台(YouTube等) 得益于许多著名的带注释的静态图像数据集，我们可以很容易地对面部表情进行解释和分类。复杂或抽象的图像以及视频和实时视觉的情感分析是一个更大的问题，特别是遇到缺少具体标签，或强行做出的和不准确的表情等这些情况时。 复杂的视觉情感分析需要更高层次的抽象、文化知识，以及对主体性、概念和线索的理解。获得已标记的数据集是很难的，为学习提取和预测所表达的含义这一目的而创建模型也是很难的。 尽管最近的研究让我们看到了很多希望，但更重要的是它们首先也表明了这样一个事实：在我们发明视觉测谎仪和威胁检测安全系统，能够结合下意识的面部表情和肢体语言来分析潜在的危险情况之前，还有很长的路要走。 音频情感分析 语音聊天机器人正在成为我们生活中越来越重要的一部分，比如客户服务电话中常听见的某种“固定”的响应或问候。这些语音助手要么已经在使用，要么即将使用情感分析技术，虽然还远非完美。 从语音语调和环境中检测压力、沮丧和其他情绪是机器已经能够完成的任务之一。理解和模拟韵律和调性的能力是目前语音处理和合成的一个重要部分。 现有的用于音频情绪分析的情绪检测方法通常与语音识别相结合。这种分析的参数是一组可检测的声学特征：音调、音强、节奏、频谱系数等等。 慕尼黑开源情感与情感识别工具包(openEAR)是最受认可的情感分析工具包之一，能够提取4000多个特征(56个声学低级别描述符中的39个功能)。 （编辑：潍坊站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
