复杂故事中的情绪建模：Stanford 情绪叙事数据集
计算机视觉与模式识别
2020-08-03 v1 人工智能
摘要
人类情绪随时间展开，更多情感计算研究必须优先捕捉真实世界情感这一关键组成部分。对动态情绪刺激建模需要解决时间序列建模和收集高质量时间序列数据集的双重挑战。我们首先评估时间序列情绪识别的最先进水平，并回顾情感计算中的当代时间序列方法，包括判别模型和生成模型。然后我们介绍 Stanford 情绪叙事数据集（SENDv1）的首个版本：一组丰富的多模态视频，内容为自定节奏、无脚本的情绪叙事，并标注了随时间变化的情绪效价。该数据集中复杂的叙事和自然主义的表达为当代时间序列情绪识别模型提供了具有挑战性的测试。我们在 SEND 上展示了若干基线和最先进建模方法，包括长短期记忆（Long Short-Term Memory, LSTM）模型和多模态变分循环神经网络，其性能与人类基准相当。最后我们讨论了对未来时间序列情感计算研究的影响。
引用
@article{arxiv.1912.05008,
title = {Modeling emotion in complex stories: the Stanford Emotional Narratives Dataset},
author = {Desmond C. Ong and Zhengxuan Wu and Tan Zhi-Xuan and Marianne Reddan and Isabella Kahhale and Alison Mattek and Jamil Zaki},
journal= {arXiv preprint arXiv:1912.05008},
year = {2020}
}
备注
16 pages, 7 figures; accepted for publication at IEEE Transactions on Affective Computing