1.模型结构

模型以BERT系列和ResNet系列为基础，分别处理文本和图像输入。文本处理模块基于预训练的BERT系列模型进行文本特征提取，并通过一个全连接层进行进一步的特征变换。图像处理模块采用预训练的ResNet系列模型，提取图像特征，并进行特征变换。多模态融合模块利用交叉多头注意力机制（CMA）将文本和图像特征进行融合，并通过全连接层进行分类。

2.对比模型

（1）图文特征直接进行拼接：TICat

text_feature = self.text_model(texts, texts_mask)
img_feature = self.img_model(imgs)
prob_vec = self.classifier(torch.cat([text_feature, img_feature], dim=1))
pred_labels = torch.argmax(prob_vec, dim=1)

（2）图文特征进行加和：TIAdd

text_feature = self.text_model(texts, texts_mask)
img_feature = self.img_model(imgs)
text_prob_vec = self.text_classifier(text_feature)
img_prob_vec = self.img_classifier(img_feature)
prob_vec = torch.softmax((text_prob_vec + img_prob_vec), dim=1)       
pred_labels = torch.argmax(prob_vec, dim=1)

3.数据集介绍

数据集链接：

https://mcrlab.net/research/mvsa-sentiment-analysis-on-multi-view-social-data/

数据集介绍：由两个独立的数据集组成，分别是MVSA-Single数据集和 MVSA-Multi数据集，前者的每条图文对只有一个标注，后者的每条图文对由三个标注者给出。官方声明MVSA-Single数据集包含 5,129 条图文对（实际只有4869条），MVSA-Multi 包含了 19,600 条图文对（实际19600条）。

（1）MVSA-Single数据集

删除 MVSA-Single 数据集中图片和文字标注情感的正负极性不同（存在positive和negative）的图文对，剩余的图文对中，如果图片或者文本的情感有一者为中性（neutral），则选择另一个积极或者消极的标签作为该图文对的情感标签，最终得到4511个图文对。

（2）MVSA-Multi数据集

采用投票机制，即有 2 个或 2 个以上的标注者给出的情感极性标注一致，则保留该条数据，否则删除。先基于MVSA-Single 的方法确定每个人的标签，然后根据三个人统计结果进行投票，最终得到17510个图文对。

注：由于数据集中存在损坏图片：3151.jpg、3910.jpg、5995.jpg，因此将其进行去除，最终实际得到17507个图文对。

4.MAC运行结果

本次实验，文本选择albert-base-v2，图像选择resnet-152，按照8：1：1进行划分，其他情况请自行测试。具体参数设置如下：

def init_argparse():
    # args
    parser = argparse.ArgumentParser()
    parser.add_argument('--do_train', action='store_true', help='训练模型')
    parser.add_argument('--text_pretrained_model', default='roberta-base', help='文本分析模型', type=str)
    parser.add_argument('--fuse_model_type', default='CMA', help='融合模型类别', type=str)
    parser.add_argument('--lr', default=5e-5, help='设置学习率', type=float)
    parser.add_argument('--weight_decay', default=1e-2, help='设置权重衰减', type=float)
    parser.add_argument('--epoch', default=10, help='设置训练轮数', type=int)
    parser.add_argument('--seed', default=42, help='设置随机种子', type=int)
    parser.add_argument('--do_test', action='store_true', help='预测测试集数据')
    parser.add_argument('--load_model_path', default=None, help='已经训练好的模型路径', type=str)
    parser.add_argument('--text_only', action='store_true', help='仅用文本预测')
    parser.add_argument('--img_only', action='store_true', help='仅用图像预测')
    return parser

（1）MVSA-Single数据集（8：1：1划分）

之所以比实际数量多1，是因为统计了首行表头“guid,tag”。运行结束后会将结果保存在output文件夹，包含训练集和验证集每轮的loss值和acc值，以及权重文件。

经过10轮生成的结果如下：

测试集混淆矩阵

（2）MVSA-multiple数据集（8：1：1划分）

之所以比实际数量多1，是因为统计了首行表头“guid,tag”。运行结束后会将结果保存在output文件夹，包含训练集和验证集每轮的loss值和acc值，以及权重文件。

测试集混淆矩阵

5.对比结果（RoBERT+ResNet152）

 6.完整内容获取

多模态情感分析——基于交叉多头注意力CMA进行图文多模态融合（含MVSA数据集）

小编会不定期发布相关设计内容包括但不限于如下内容:信号处理、通信仿真、算法设计、matlab appdesigner，gui设计、simulink仿真......希望能帮到你！