ترجمه فارسی مقاله یک رویکرد مبتنی بر ویژگی های عمیق با استفاده از RESNET50 اصلاح شده و افزایش شیب برای طبقه بندی احساسات بصری

چکیده

The versatile nature of Visual Sentiment Analysis (VSA) is one reason for its rising profile. It isn’t easy to efficiently manage social media data with visual information since previous research has concentrated on Sentiment Analysis (SA) of single modalities, like textual. In addition, most visual sentiment studies need to adequately classify sentiment because they are mainly focused on simply merging modal attributes without investigating their intricate relationships. This prompted the suggestion of developing a fusion of deep learning and machine learning algorithms. In this research, a deep feature-based method for multiclass classification has been used to extract deep features from modified ResNet50. Furthermore, gradient boosting algorithm has been used to classify photos containing emotional content. The approach is thoroughly evaluated on two benchmarked datasets, CrowdFlower and GAPED. Finally, cutting-edge deep learning and machine learning models were used to compare the proposed strategy. When compared to state-of-the-art approaches, the proposed method demonstrates exceptional performance on the datasets presented.

چکیده به فارسی (ترجمه ماشینی)

ماهیت همه کاره تجزیه و تحلیل احساسات بصری (VSA) یکی از دلایل افزایش مشخصات آن است.مدیریت کارآمد داده های رسانه های اجتماعی با اطلاعات بصری آسان نیست زیرا تحقیقات قبلی بر تجزیه و تحلیل احساسات (SA) از روشهای واحد مانند متن متمرکز شده است.علاوه بر این ، بیشتر مطالعات احساسات بصری نیاز به طبقه بندی مناسب احساسات دارند زیرا آنها عمدتاً بر روی ادغام ویژگی های معین بدون بررسی روابط پیچیده آنها متمرکز شده اند.این باعث می شود پیشنهاد ایجاد تلفیقی از الگوریتم های یادگیری عمیق و یادگیری ماشین.در این تحقیق ، از یک روش عمیق مبتنی بر ویژگی برای طبقه بندی چند طبقه برای استخراج ویژگی های عمیق از RESNET50 اصلاح شده استفاده شده است.علاوه بر این ، از الگوریتم تقویت شیب برای طبقه بندی عکس های حاوی محتوای عاطفی استفاده شده است.این رویکرد به طور کامل در دو مجموعه داده معیار ، Crowdflower و Greaped ارزیابی شده است.سرانجام ، برای مقایسه استراتژی پیشنهادی ، از مدل های یادگیری عمیق و یادگیری ماشین استفاده شد.در مقایسه با رویکردهای پیشرفته ، روش پیشنهادی عملکرد استثنایی در مجموعه داده های ارائه شده را نشان می دهد.