情感分析的多任务学习

本项目是我的本科毕业论文，由 Dimitrios Kollias 导师督导。这项研究深入探索了情感计算在图像分析中的应用，旨在提高多任务学习在情感识别中的效率和效果。该项目检验两种主要方法：单任务解决方案和针对相同问题的多任务方法。每种方法都经过测试，探索各种公式、变体和初始化策略，以找到最佳配置。项目利用现有的神经网络架构，通过修改输出层和损失函数来适应多任务学习。任务包括 7 种基本情感识别、动作单元检测和价值- arousal 估计。比较分析涉及针对每个单独任务的单任务模型，以评估多任务模型性能。每种方法中的各种变体，包括损失函数和超参数调优，都经过评估。探讨了不同初始化策略和预训练技术对模型收敛和准确性的影响。这项研究旨在为情感计算不断发展的领域做出贡献，应用领域涵盖医疗保健、营销和人机交互。通过系统地探索多任务学习公式，该研究旨在为识别和理解图像中的情感提供更准确和更高效的模型。研究结果有望推动多个行业的发展，为情感计算的进一步发展铺平道路。