40、图像情感分析与移动自组网路由技术研究

图像情感分析与移动自组网路由技术研究

1. 图像情感分析相关技术

1.1 深度学习在图像情感分析中的应用

在图像情感分析领域，机器学习算法取得了显著成果，其中深度学习技术表现尤为出色。以下是几种基于深度学习的重要研究方法：
- 深度神经网络（DNN） ：DNN可用于图像情感分析和文本意见分析。它具有多个层次，图像首先输入到输入层，然后经过多个隐藏层进行进一步处理，最终通过输出层产生结果。机器将图像理解为像素值的矩阵，每个像素定义激活值，神经元之间相互连接，前一层的激活决定下一层的激活。其主要目标是将图像的像素连接成边缘，边缘连接成子模式，最后组合成完整的图像以分析情感。有研究提出了图像一致性方法，用于解决图像数据和文本信息的可靠性问题，还使用了卷积神经网络和深度信念网络。研究表明，深度学习方法优于支持向量机（SVM）。另一个研究实现了新的BDMLA方法，用于图像和文本信息的双向注意力和多级关联分类，该方法侧重于相关的图像区域，并使用了社交网络图像进行情感分析。
- 卷积神经网络（CNN） ：CNN是一种前馈神经网络，主要应用于图像处理、图像分类和图像预测。在图像情感分析中，CNN通过一系列操作实现。它由卷积层、非线性层、池化层和全连接层组成。图像从左上角开始读取，转换为滤波器矩阵，经过多个卷积层处理，每层的输出作为下一层的输入。非线性层通过激活函数赋予CNN非线性行为。池化层通过降低图像特征的大小来减少工作量，避免重复处理已识别的特征，这个过程称为下采样或子采样。如果需要进一步处理，会使用全连接层。有研究使用多模态情感分析技术确定图像文本的规律性，使用SentiBank描述视觉概念；还有研究使用深度多