Extraction et analyse de l’impact émotionnel des images
Bibliographic record
Abstract
Cet article propose une méthode d’extraction de l’impact émotionnel des images à partir de descripteurs bas niveau. Nous avons émis l’hypothèse que la précision de ces derniers encoderait des informations haut niveau intéressantes voire discriminantes pour les émotions. Il n’existe à ce jour aucun descripteur particulièrement adapté à l’étude de l’impact émotionnel des images. Les émotions ressenties dépendent, en effet, de plusieurs informations dans l’image mais également de sa nature (très sémantique ou non) ou encore de la durée d’observation. Plus ce temps est long plus l’interprétation sémantique de l’image prend le dessus sur l’émotion «primaire ». A ces descripteurs nous avons associé deux classifieurs performants, particulièrement adaptés à des discriminations d’informations complexes. Il s’agit d’un réseau de neurones multicouche et d’un SVM dans son extension multiclasse basée sur la stratégie « un contre un ». Très souvent, on associe les émotions à l’expression du visage, mais nous avons décidé de ne pas faire de cette information la principale caractéristique émotionnelle des images naturelles, qui en général ne contiennent pas de visages. Nous avons, à cet effet, effectué nos tests sur une base diversifiée de 350 images, construite à partir d’images à faible contenu sémantique. Notre choix de descripteurs est basé sur des supposés liens entre les émotions et le contenu des images mais également sur la précision qu ’offrent certains descripteurs de traitement d’images en indexation ou en catégorisation. La complexité des émotions a été prise en compte en intégrant, au processus de classification, les résultats de tests psychovisuels que nous avons mis en place. Nous avons défini trois classes d’émotions. Les taux de réussite moyens obtenus lors de la classification sont de 56,15 % pour le réseau de neurones et 55,25 % pour le SVM. Ces résultats sont encourageants au regard des résultats de la littérature. Ces tests confirment aussi l’hypothèse que les descripteurs choisis sont complémentaires dans notre processus d’extraction des émotions.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.003 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".