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 für alle Videos   Vertrautheits- und Unterhaltungswertungen sowie Referenzen  9. Ausreißerverarbeitung  Wir haben beurteilt, ob es in unserem Datensatz verrauschte Annotatoren gab, indem wir die Übereinstimmung jedes einzelnen Annotators mit dem Konsens berechneten. Dies geschah durch Berechnung der Pearson-Korrelation zwischen jedem Annotator und dem Leave-One-Out-Konsens (Gesamtheit der Antworten außer dem aktuellen Annotator) für jedes Video. Nur ein Beobachter in unserem Datensatz hatte eine Korrelation von weniger als 0,2 mit der Leave-One-Out-Konsensbewertung über alle Videos hinweg. Wir wählten 0,2 als Schwellenwert, da dieser Wert in der psychologischen Forschung häufig als Indikator für eine schwache Korrelation verwendet wird. Wichtig ist, dass wir, wenn wir die Korrelationen zwischen dem Konsens jedes Videos und einem Konsens vergleichen, der den einen Annotator mit schwacher Übereinstimmung entfernt, eine sehr hohe Korrelation (r = 0,999) erhalten, was darauf hinweist, dass das Weglassen dieses Subjekts die Konsensantwort in unserem Datensatz nicht signifikant beeinflusst. Daher entschieden wir uns, den Annotator mit schwacher Übereinstimmung im Datensatz zu belassen, um zu vermeiden, dass wichtige alternative Annotationen zu den Videos entfernt werden.  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!

VEATIC: Videobasiertes Emotions- und Affekt-Tracking im Kontextdatensatz: Ausreißerverarbeitung

About Author

KOMMENTARE

Hängeetiketten

DIESER ARTIKEL WURDE VORGESTELLT IN

Related Stories

This Black Friday & Holiday Season, HackerNoon Has Your Tech Marketing Covered 🎁 💚

HackerNoon Decoded 2024: Celebrating Our Data Science Community!

HackerNoon Decoded 2024: Wir feiern unsere Gaming-Community!

Starting 2025 with New Features: Settings Dashboard, HackerNoon Decoded, Updated Search UI, and More

This Black Friday & Holiday Season, HackerNoon Has Your Tech Marketing Covered 🎁 💚

HackerNoon Decoded 2024: Celebrating Our Data Science Community!

HackerNoon Decoded 2024: Wir feiern unsere Gaming-Community!

Starting 2025 with New Features: Settings Dashboard, HackerNoon Decoded, Updated Search UI, and More

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps