消除大模型幻觉，加速大模型在企业落地

消除大模型幻觉，加速大模型在企业落地

细粒度图像分类上 Vision Transformer 的发展综述

主要根据模型结构全面综述了基于 ViT 的FGIC 算法,包括特征提取、特征关系构建、特征注意和特征增强四方面内容，对每种算法进行总结，并分析它们的优缺点。

读取并重写csv文件，重写时每八个数据进行一次换行操作 python

读取并重写csv文件，重写时每八个数据进行一次换行操作 python

The Oxford Handbook of Affective Computing

《The Oxford Handbook of Affective Computing》是一本关于情感计算的权威手册，它涵盖了情感计算的各个方面，包括理论、方法、应用等。情感计算是人工智能领域的一个重要分支，它旨在让计算机具备识别、理解、表达和模拟人类情感的能力。这本手册由著名的情感计算专家Rafael A. Calvo、Sidney K. D'Mello、Jonathan Gratch和Arvid Kappas共同编写，收录了来自世界各地的专家学者的文章，是情感计算领域的重要参考资料。

一篇关于人类对视觉信息感知的文章

人类对视觉信息的感知是一个复杂的过程，它涉及到大脑、眼睛和环境等多个方面。数据可视化是一种将数据转换为图形或图像的方法，以便人们更容易地理解和分析数据。在数据可视化中，人类感知视觉信息的能力是至关重要的。通过使用颜色、形状、大小、位置等视觉元素，数据可视化可以帮助人们更好地理解数据。同时，数据可视化也需要考虑人类视觉系统的局限性，例如颜色盲、空间感知等问题。因此，数据可视化需要结合人类视觉系统的特点来设计和实现。

一篇关于计算机视觉和人类视觉之间关系的综述性文章

《From Human Attention to Computational Attention: A Multidisciplinary Approach》是一篇关于计算机视觉和人类视觉之间关系的综述性文章。该文章探讨了计算机视觉如何模拟人类视觉，以及如何将人类视觉的特点应用于计算机视觉中。文章提出了一种多学科的方法，将计算机科学、心理学、神经科学和认知科学等领域的知识结合起来，以更好地理解和模拟人类视觉。该文章对于研究计算机视觉和人类视觉之间关系的人员具有重要的参考价值。

Multi-Label Image Recognition with Graph Convolutional Networks

在我们最初的会议论文中，我们报告了使用GAP进行比较的基线分类结果，因为GAP是ResNet系列中特征聚合的默认选择。在我们的实验中，我们发现用GMP代替GAP可以提高性能，因此在我们的GCN方法中采用了GMP——我们将GMP视为我们方法的一部分。为了澄清，我们重新运行了基线，并在下表中报告了相应的结果。 Method COCO NUS-WIDE VOC2007 Res-101 GAP 77.3 56.9 91.7 Res-101 GMP 81.9 59.7 93.0 Ours 83.0 62.5 94.0

abstract图像情感数据集

简介：使用了三个数据集:国际情感图像系统(IAPS)；一组来自照片分享网站的艺术照片(调查艺术家有意识地使用颜色和纹理是否能改善分类)；和一组同龄人评分的抽象画，以调查特征和评分对无上下文内容的图片的影响。离散情感八分类：Amusement、Anger、Awe、Contentment、Disgust、Excitement、Fear、Sadness。

图像情感分类数据集Emotion6

Emotion6是一个情感诱发图像数据集，包含了Paul Ekman的6种基本情绪和中立情绪，共7个情感分布bin，每个bin包含330张图片。每张图片都有VA值对诱发情绪评分的ground truth，同时作者还进行了情感风格迁移，在不改变高层语义的情况下，通过改变源图像的底层特征，从而实现迁移图像情感向目标图像的迁移。EmotionROI是在Emotion6的基础上，添加了情感诱发区域ESM标注（Emotion Stimuli Maps），情感诱发区域不等同于对象区域，也不等同于显著性区域。

图像情感分析 英文论文十篇

01 Multi-level Region-based Convolutional Neural Network for Image 02 Multiscale_Emotion_Representation_Learning_for_Affective_Image_Recognition 03 Weakly_Supervised_Emotion_Intensity_Prediction_for_Recognition_of_Emotions_in_Imag 04 Multi-scale_blocks_based_image_emotion_classification_using_multiple_instance_learninges 05 Learning multi-level representations for affective image recognition 06 Joint Image Emotion Classification and Distribution Learning 07 Adaptive_Deep_Metric_Learning_for_Affe