图像情感分析的层次图卷积网络模型

图像情感分析任务旨在运用机器学习模型自动预测观测者对图像的情感反应。当前基于深度网络的情感分析方法广受关注，主要通过卷积神经网络自动学习图像的深度特征。然而，图像情感是图像全局上下文特征的综合反映，由于卷积核感受野的尺寸限制，无法有效捕捉远距离情感特征间的依赖关系，同时网络中不同层次的情感特征间未能得到有效的融合利用，影响了图像情感分析的准确性。为解决上述问题，文中提出了层次图卷积网络模型，分别在空间和通道维度上构建空间上下文图卷积(SCGCN)模块和动态融合图卷积(DFGCN)模块，有效学习不同层次情感特征内部的全局上下文关联与不同层级特征间的关系依赖，能够有效提升情感分类的准确度。网络结构由4个层级预测分支和1个融合预测分支组成，层级预测分支利用SCGCN学习单层次特征的情感上下文表达，融合预测分支利用DFGCN自适应聚合不同语义层次的上下文情感特征，实现融合推理与分类。在4个情感数据集上进行实验，结果表明，所提方法在情感极性分类和细粒度情感分类上的效果均优于现有的图像情感分类模型。