Imágenes de tarifas de redes neuronales para niveles de felicidad

El análisis de sentimientos está revolucionando el estudio de la comunicación con numerosas empresas que ahora lo ofrecen como un servicio. La idea es estudiar los patrones de palabras en mensajes como tuits y blogs para determinar en qué medida son positivos o negativos. Eso permite a las empresas, organizaciones y partidos políticos rastrear automáticamente las opiniones sobre sus marcas.

Pero mientras esta tecnología ha ido evolucionando, poca investigación se ha centrado en el sentimiento en las imágenes. Hoy, eso cambia gracias al trabajo de Can Xu en la Universidad de California, San Diego, y un grupo de investigadores de Yahoo Labs en Sunnyvale. Estas personas han desarrollado una forma de evaluar automáticamente el sentimiento asociado con una imagen y decir que supera a otras técnicas de vanguardia.

Xu y compañía no comienzan desde cero. Si bien el sentimiento en las imágenes se ha ignorado en gran medida, el problema del reconocimiento de objetos en las imágenes es un campo bien desarrollado que ha mejorado a pasos agigantados en los últimos años.

Así que Xu y compañía comienzan con una red neuronal ya entrenada en un conjunto de datos de imágenes que muestran objetos divididos en 1000 clasificaciones. Cuando se muestra una imagen, esta red proporciona una distribución que muestra la probabilidad de que la imagen caiga en cada una de estas 1000 clasificaciones.

Es esta salida de 1000 dimensiones la que Xu y compañía utilizan en su investigación. Primero toman dos conjuntos de datos de imágenes de Tumblr y Twitter que ya han sido evaluados por sentimiento en una escala de cinco puntos de muy negativo, negativo, neutral, positivo y muy positivo.

Luego entrenan un algoritmo de aprendizaje automático para encontrar una correlación entre la salida de 1000 dimensiones y el sentimiento. Después de entrenar la máquina, la comparan con otras dos técnicas de análisis de sentimientos de última generación, como una que se basa en características visuales de bajo nivel como el color de la imagen y otra llamada SentiBank, que genera una descripción adjetiva-sustantiva de una imagen. y por lo tanto da un sentido de sentimiento.

Xu y compañía dicen que su técnica supera dramáticamente a los enfoques existentes. Los experimentos demuestran que nuestros modelos propuestos superan los métodos de última generación en los conjuntos de datos de Twitter y Tumblr, dicen.

Ese es un comienzo útil en el incipiente campo del análisis inteligente de imágenes. Los resultados por primera vez sugieren que las redes neuronales convolucionales son muy prometedoras para el análisis de sentimiento visual, dicen.

Sin embargo, hay un trabajo importante por delante. Un problema notorio con el análisis de sentimientos basado en palabras es que no hace frente a las sutiles influencias culturales, como el sarcasmo y la ironía. Y este tipo de comportamiento exclusivamente humano puede reducir gravemente la fiabilidad del análisis de sentimientos.

Aún no se ha determinado qué tan importantes serán este tipo de idiosincrasias para las imágenes, pero el sentimiento de la imagen podría ser otra área en la que el desempeño humano pronto será monitoreado y quizás incluso emparejado por máquinas.

Ref: arxiv.org/abs/1411.5731 : Predicción de Sentimiento Visual con Redes Neuronales Convolucionales Profundas

esconder