Dieses Dokument ist auf Arxiv unter der CC 4.0-Lizenz verfügbar.   Autoren:  (1) Zhihang Ren, University of California, Berkeley und diese Autoren haben zu gleichen Teilen zu dieser Arbeit beigetragen (E-Mail: peter.zhren@berkeley.edu);  (2) Jefferson Ortega, University of California, Berkeley und diese Autoren haben zu gleichen Teilen zu dieser Arbeit beigetragen (E-Mail: jefferson_ortega@berkeley.edu);  (3) Yifan Wang, University of California, Berkeley und diese Autoren haben zu gleichen Teilen zu dieser Arbeit beigetragen (E-Mail: wyf020803@berkeley.edu);  (4) Zhimin Chen, University of California, Berkeley (E-Mail: zhimin@berkeley.edu);  (5) Yunhui Guo, University of Texas at Dallas (E-Mail: yunhui.guo@utdallas.edu);  (6) Stella X. Yu, University of California, Berkeley und University of Michigan, Ann Arbor (E-Mail: stellayu@umich.edu);  (7) David Whitney, University of California, Berkeley (E-Mail: dwhitney@berkeley.edu).  Linktabelle   Zusammenfassung und Einleitung   Verwandter Wok   VEATIC-Datensatz   Experimente   Diskussion   Abschluss   Mehr über Stimuli   Anmerkungsdetails   Ausreißerverarbeitung   Themenübereinstimmung über Videos hinweg   Vertrautheits- und Unterhaltungswertungen sowie Referenzen  10. Themenvereinbarung für Videos  Ein Vorteil des VEATIC-Datensatzes ist, dass er mehrere Annotatoren für jedes Video hat, wobei die Mindestanzahl von Annotatoren für ein bestimmtes Video 25 und die Höchstanzahl 73 beträgt. Die Wahrnehmung von Emotionen ist subjektiv und die Beurteilungen der Beobachter können von Person zu Person unterschiedlich ausfallen. Viele der zuvor veröffentlichten Emotionsdatensätze haben eine sehr geringe Anzahl von Annotatoren, oft nur eine einstellige Anzahl (n < 10). So wenige Annotatoren zu haben ist problematisch, da die Varianz zwischen den Beobachtern zunimmt. Um dies zu zeigen, haben wir berechnet, wie die durchschnittliche Bewertung für jedes Video in unserem Datensatz variiert, wenn wir zufällig fünf oder alle Annotatoren mit Zurücklegen auswählen. Wir haben diesen Vorgang 1000 Mal für jedes Video wiederholt und die Standardabweichung der neu berechneten durchschnittlichen Bewertung berechnet. Abbildung 12a zeigt, wie die Standardabweichung der Konsensbewertung über Videos hinweg variiert, wenn wir entweder fünf oder alle Annotatoren für jedes Video verwenden. Diese Analyse zeigt, dass mehr Annotatoren zu viel kleineren Standardabweichungen in der Konsensbewertung führen, was zu genaueren Darstellungen der Grundwahrheit der Emotionen in den Videos führen kann.   Zusätzlich untersuchten wir, wie die Reaktionen der Beobachter zwischen den Videos variierten, indem wir die Standardabweichung aller Beobachter für jedes Video berechneten. Abbildung 12b zeigt die Standardabweichungen zwischen den Videos. Wir stellten fest, dass die Standardabweichungen sowohl für die Valenz- als auch für die Erregungsdimension gering waren, wobei die Valenz eine durchschnittliche Standardabweichung von µ = 0,248 und einen Median von 0,222 und die Erregung eine durchschnittliche Standardabweichung von µ = 0,248 und einen Median von 0,244 aufwies, was mit der Valenz- und Erregungsbewertungsvarianz von EMOTIC [32] vergleichbar ist.  Dieses Dokument ist   . auf Arxiv unter der CC 4.0-Lizenz verfügbar

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Kinetopgraph.TECH

Read My Stories

kinetograph

Dieses Audio ist in der Originalsprache der Geschichte produziert!

Zu lang; Lesen

Boost your HackerNoon story @ $159.99! 🚀

VEATIC: Videobasiertes Emotions- und Affekt-Tracking im Kontextdatensatz: Subjektübereinstimmung über Videos hinweg

About Author

KOMMENTARE

Hängeetiketten

DIESER ARTIKEL WURDE VORGESTELLT IN

Related Stories

HackerNoon Decoded 2024: Celebrating Our Tech Stories Community!

HackerNoon Decoded 2024: Celebrating Our Writing Community!

HackerNoon Decoded: The Top 10 Countries Where HackerNoon Is the Most Active

HackerNoon Decoded 2024: Celebrating Our Management Community!

HackerNoon Decoded 2024: Celebrating Our Tech Stories Community!

HackerNoon Decoded 2024: Celebrating Our Writing Community!

HackerNoon Decoded: The Top 10 Countries Where HackerNoon Is the Most Active

HackerNoon Decoded 2024: Celebrating Our Management Community!

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps