FeelingBlue

FeelingBlue是一个多模态数据集，用于探索颜色通过线条、笔触、纹理、形状和语言所媒介的情感内涵。该数据集包含19,788个抽象艺术作品的四元组，由标注者根据其唤起的情感进行排名，并附有标注理由。

FeelingBlue is a multimodal dataset that explores the emotional connotations conveyed by color through lines, brushstrokes, textures, shapes and language. This dataset contains 19,788 quadruples of abstract artworks, which are ranked by annotators based on the emotions they evoke, with annotation justifications provided.

原始信息汇总

数据集概述

数据集名称

FeelingBlue

数据集描述

FeelingBlue是一个多模态数据集，用于探索颜色在不同情境下对情感强度的影响。该数据集包含19,788个抽象艺术作品的4-元组，这些作品由标注者根据其引发的情感进行排名，并附有标注理由。

数据集内容

• 原始4-元组数据：包含每个4-元组的图像ID和情感标注，以及标注者的理由。数据格式为CSV，可通过HuggingFace获取。
• 衍生相对情感分数：基于Best-Worst Scaling标注的相对情感分数，格式为CSV。

数据集应用

数据集支持一个新的任务：Justified Affect Transformation，即给定一个图像，任务是重新着色以增强特定情感，并提供文本理由。

数据集下载

• DeviantArt/WikiArt子集：可通过Google Drive下载。
• 预处理数据：包括颜色提取和色调调整后的图像，可通过Google Drive下载。

数据集训练与评估

• 训练脚本：包括train_emotion_classifier.py, train_palette_applier.py, 和 train_rationale_retriever.py。
• 评估脚本：包括transform_images.py和retrieve_rationales.py。
• 预训练模型：可通过Google Drive获取。

数据集贡献者

感谢标注者和艺术家的贡献，以及TACL的审稿人和编辑的反馈。

搜集汇总

数据集介绍

构建方式

FeelingBlue数据集的构建基于对抽象艺术图像的情感标注，旨在探索颜色在特定上下文中的情感内涵。数据集包含19,788个四元组图像，每个四元组由标注者根据其引发的情感强度进行排序，并附有标注理由。标注过程采用最佳-最差缩放法（Best-Worst Scaling），确保每个图像的情感得分在-1到1之间。此外，数据集还结合了线条、笔触、纹理、形状和语言等多模态信息，以全面反映颜色在情感表达中的作用。

特点

FeelingBlue数据集的特点在于其多模态性和情感标注的细致性。数据集不仅包含大量抽象艺术图像，还提供了每个图像的情感得分和标注者的详细理由，使得研究者能够深入分析颜色在不同上下文中的情感影响。此外，数据集还支持一项新任务——情感转换的合理化（Justified Affect Transformation），即通过重新着色增强特定情感，并提供文本解释。这一任务为颜色与情感关系的研究提供了新的视角和方法。

使用方法

使用FeelingBlue数据集时，研究者可以通过下载DeviantArt和WikiArt的子集图像，并结合CSV文件中的标注数据进行情感分析。数据集的预处理包括使用colorgram库提取图像的主要颜色，并通过色调转换生成不同颜色的图像版本。训练模型时，研究者可以分别训练情感分类器、调色板应用器和理由检索器，以完成情感转换和理由生成任务。评估阶段则通过预训练模型对图像进行情感转换，并检索相关理由，输出结果以CSV文件形式保存。

背景与挑战

背景概述

FeelingBlue数据集由哥伦比亚大学的研究团队于2022年创建，主要研究人员包括Amith Ananthram、Olivia Winn和Smaranda Muresan。该数据集旨在探索颜色在特定上下文中的情感内涵，特别是通过线条、笔触、纹理、形状和语言等媒介来理解颜色对情感感知的影响。FeelingBlue包含了19,788组抽象艺术作品的四元组，这些作品由标注者根据其引发的情感进行排序，并附有标注理由。该数据集为情感转换任务提供了基线，即通过重新着色图像以增强特定情感，并提供文本解释。FeelingBlue的发布为颜色与情感关系的研究提供了新的视角和工具，推动了相关领域的深入探索。

当前挑战

FeelingBlue数据集在构建过程中面临多重挑战。首先，颜色与情感的关系具有高度主观性，如何确保标注的一致性和准确性是一个核心问题。其次，数据集需要处理多模态数据，包括图像和文本，这对数据的整合和处理提出了更高的技术要求。此外，情感转换任务本身具有复杂性，要求模型不仅能够生成情感增强的图像，还需提供合理的文本解释，这对模型的综合能力提出了严峻考验。最后，数据集的构建依赖于大量的人工标注，如何高效地管理和利用这些标注数据也是一个不容忽视的挑战。

常用场景

经典使用场景

在情感计算与色彩心理学领域，FeelingBlue数据集被广泛应用于研究色彩在特定上下文中的情感内涵。通过分析抽象艺术作品的色彩、线条、笔触、纹理和形状，研究者能够深入探讨色彩如何影响人类情感的感知强度。该数据集为情感转换任务提供了丰富的标注数据，支持模型在图像重着色和情感增强方面的实验与验证。

实际应用

FeelingBlue数据集在艺术创作、广告设计和心理健康领域具有重要应用价值。艺术家和设计师可以利用该数据集优化作品的情感表达，广告从业者则可通过色彩调整增强广告的情感吸引力。此外，心理健康领域的专家可借助该数据集开发情感调节工具，帮助用户通过色彩干预改善情绪状态。

衍生相关工作

FeelingBlue数据集催生了一系列相关研究，特别是在情感转换与多模态情感分析领域。基于该数据集，研究者提出了多种深度学习模型，如情感分类器、调色板应用器和文本解释器。这些模型不仅提升了色彩情感分析的精度，还为情感驱动的图像生成与编辑提供了新的技术路径，推动了相关领域的创新与发展。