私たちの日常生活や社会的な交流において、人々の感情状態を認識しようとすることがよくあります。機械に同様の感情認識能力を提供するための研究が数多く行われています。コンピュータビジョンの観点から、これまでの多くの取り組みは顔表情の分析に焦点を当て、場合によっては身体姿勢も分析しています。これらの手法の中には特定の設定下で非常に優れた性能を発揮するものもありますが、自然で制約のない環境ではその性能が制限されることがあります。心理学的研究によると、顔表情や身体姿勢だけでなく、シーンコンテキストも人々の感情認識に重要な情報を提供します。しかし、自動的な感情認識におけるコンテキスト処理はまだ十分に探索されておらず、これは適切なデータ不足による部分的な要因でもあります。本論文では、EMOTICというデータセットを紹介します。このデータセットには、多様な自然な状況にある人々の画像が含まれており、その表出された感情が注釈されています。EMOTICデータセットは2種類の異なる感情表現方法を組み合わせています：(1) 26個の離散カテゴリと (2) 連続次元であるValence（価値）、Arousal（興奮度）、およびDominance（支配性）です。また、データセットの統計的およびアルゴリズム的な詳細分析を行い、アノテーター間の一貫性分析も行っています。EMOTICデータセットを使用して、人物を含むバウンディングボックスの情報とシーンから抽出したコンテキスト情報を組み合わせたCNNモデルを訓練しました。結果はシーンコンテキストが自動的な感情状態認識に重要な情報を提供することを示しており、今後の研究への動機付けとなっています。データセットとコードはオープンソース化され、以下のURLで利用可能です：https://github.com/rkosti/emotic また、査読付きで出版された論文へのリンクは以下です：https://ieeexplore.ieee.org/document/8713881