211service.com
Le réseau de neurones évalue les images pour les niveaux de bonheur
L'analyse des sentiments révolutionne l'étude de la communication avec de nombreuses entreprises qui la proposent désormais en tant que service. L'idée est d'étudier les modèles de mots dans les messages tels que les tweets et les blogs pour déterminer dans quelle mesure ils sont positifs ou négatifs. Cela permet aux entreprises, aux organisations et aux partis politiques de suivre automatiquement les opinions sur leurs marques.
Mais alors que cette technologie a évolué, peu de recherches se sont concentrées sur le sentiment en images. Aujourd'hui, cela change grâce aux travaux de Can Xu de l'Université de Californie à San Diego et d'un groupe de chercheurs de Yahoo Labs à Sunnyvale. Ces gens ont développé un moyen d'évaluer automatiquement le sentiment associé à une image et de dire qu'il surpasse les autres techniques de pointe.
Xu et co ne partent pas de zéro. Alors que le sentiment dans les images a été largement ignoré, le problème de la reconnaissance d'objets dans les images est un domaine bien développé qui s'est amélioré à pas de géant ces dernières années.
Alors Xu et co commencent avec un réseau de neurones déjà formé sur un ensemble de données d'images montrant des objets divisés en 1000 classifications. Lorsqu'une image est affichée, ce réseau donne une distribution montrant la probabilité que l'image tombe dans chacune de ces 1 000 classifications.
C'est cette sortie à 1 000 dimensions que Xu et co utilisent dans leurs recherches. Ils prennent d'abord deux ensembles de données d'images de Tumblr et Twitter qui ont déjà été évaluées pour le sentiment sur une échelle de cinq points de très négatif, négatif, neutre, positif et très positif.
Ils forment ensuite un algorithme d'apprentissage automatique pour trouver une corrélation entre la sortie à 1 000 dimensions et le sentiment. Après avoir formé la machine, ils la comparent ensuite à deux autres techniques d'analyse des sentiments de pointe, comme celle qui repose sur des caractéristiques visuelles de bas niveau comme la couleur de l'image et une autre appelée SentiBank, qui génère une description adjectif-nom d'une image. et donne donc un sens au sentiment.
Xu et co affirment que leur technique surpasse considérablement les approches existantes. Les expériences démontrent que nos modèles proposés surpassent les méthodes de pointe sur les ensembles de données Twitter et Tumblr, disent-ils.
C'est un début utile dans le domaine naissant de l'analyse sensible aux images. Les résultats suggèrent pour la première fois que les réseaux de neurones convolutifs sont très prometteurs pour l'analyse des sentiments visuels, disent-ils.
Néanmoins, il reste un travail important à faire. Un problème notoire avec l'analyse des sentiments basée sur les mots est qu'elle ne fait pas face aux influences culturelles subtiles, telles que le sarcasme et l'ironie. Et ce type de comportement humain unique peut réduire considérablement la fiabilité de l'analyse des sentiments.
L'importance de ces types d'idiosyncrasies pour les images n'a pas encore été déterminée, mais le sentiment de l'image pourrait encore être un autre domaine dans lequel les performances humaines seront bientôt surveillées et peut-être même compensées par des machines.
Réf : arxiv.org/abs/1411.5731 : Prédiction visuelle des sentiments avec les réseaux de neurones à convolution profonde