科研之友
微信
新浪微博
Facebook
分享链接
摘要
大规模数据集推动了基于深度卷积神经网络情感分析的快速发展。但是,注释大规模数据集既昂贵又耗时。相反,从网络中很容易获得弱标注的Web图像。当直接使用Web图像训练深度学习模型时,嘈杂标签会导致性能急剧下降。针对这种情况,提出一种端到端的弱监督学习结构,该结构对于弱标签的Web图像具有鲁棒性。具体地说,该注意力模块通过降低训练过程中注意力得分,自动抑制带有错误标签样本的负面影响。另外,在弱监督学习方法中,类激活图模块通过关注正确标签样本的情感区域促进网络学习。除特征学习过程外,将正则化应用于分类器,以最小化同一类别样本的距离,并最大化不同类别样本质心之间的距离。对标记正确和错误的网页图像数据集进行定量和定性评估,结果表明该算法优于现有方法。
- 单位
