Este documento está disponible en arxiv bajo licencia CC 4.0.   Autores:  (1) Zhihang Ren, Universidad de California, Berkeley y estos autores contribuyeron igualmente a este trabajo (correo electrónico: peter.zhren@berkeley.edu);  (2) Jefferson Ortega, Universidad de California, Berkeley y estos autores contribuyeron igualmente a este trabajo (correo electrónico: jefferson_ortega@berkeley.edu);  (3) Yifan Wang, Universidad de California, Berkeley y estos autores contribuyeron igualmente a este trabajo (correo electrónico: wyf020803@berkeley.edu);  (4) Zhimin Chen, Universidad de California, Berkeley (correo electrónico: zhimin@berkeley.edu);  (5) Yunhui Guo, Universidad de Texas en Dallas (correo electrónico: yunhui.guo@utdallas.edu);  (6) Stella X. Yu, Universidad de California, Berkeley y Universidad de Michigan, Ann Arbor (correo electrónico: stellayu@umich.edu);  (7) David Whitney, Universidad de California, Berkeley (correo electrónico: dwhitney@berkeley.edu).  Tabla de enlaces   Resumen e introducción   Wok relacionado   Conjunto de datos VEATIC   experimentos   Discusión   Conclusión   Más sobre estímulos   Detalles de anotación   Procesamiento de valores atípicos   Acuerdo temático entre vídeos   Calificaciones y referencias de familiaridad y disfrute  8. Detalles de anotación  En total, tuvimos 192 participantes que anotaron los videos en el conjunto de datos VEATIC. Ochenta y cuatro participantes anotaron las identificaciones de vídeo del 0 al 82. Ciento ocho participantes anotaron las ID de vídeo 83-123 antes de la planificación del conjunto de datos VEATIC. En particular, cincuenta y un participantes anotaron las ID de video 83-94, veinticinco participantes anotaron las ID de video 95-97 y 32 participantes anotaron las ID de video 98-123.  Otra novedad del conjunto de datos VEATIC es que contiene videos con personajes que interactúan y calificaciones para personajes separados en el mismo video. Estos videos son aquellos con ID de video 98-123. Para cada par de vídeos consecutivos, los fotogramas de vídeo son exactamente iguales, pero las clasificaciones de emociones continuas se anotan en función de los diferentes caracteres seleccionados. La Figura 11 muestra un ejemplo. En este estudio, primero proponemos este proceso de anotación porque proporciona a los algoritmos futuros una forma de probar si los modelos aprenden la emoción de los personajes seleccionados dadas las interacciones entre personajes y exactamente la misma información de contexto. Un buen algoritmo de reconocimiento de emociones debería hacer frente a esta complicada situación.  Este documento está   bajo licencia CC 4.0. disponible en arxiv

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

Kinetopgraph.TECH

Read My Stories

kinetograph

Este audio es producido en el idioma original de la historia!

VEATIC: Seguimiento de emociones y afectos basado en videos en un conjunto de datos de contexto: detalles de anotaciones

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

Navegando por las aguas: desarrollo de aplicaciones RAG de nivel de producción con lagos de datos

Cómo mejorar su flujo de trabajo 10 veces: 17 aplicaciones esenciales

De los foros a los feeds: cómo los algoritmos de las redes sociales influyen en la interacción digital

Nómadas digitales escuchen: lo que necesitan saber sobre la nueva visa DTV de Tailandia

Navegando por las aguas: desarrollo de aplicaciones RAG de nivel de producción con lagos de datos

Cómo mejorar su flujo de trabajo 10 veces: 17 aplicaciones esenciales

De los foros a los feeds: cómo los algoritmos de las redes sociales influyen en la interacción digital

Nómadas digitales escuchen: lo que necesitan saber sobre la nueva visa DTV de Tailandia

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps