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  9. Procesamiento de valores atípicos  Evaluamos si había anotadores ruidosos en nuestro conjunto de datos calculando el acuerdo de cada anotador individual con el consenso. Esto se hizo calculando la correlación de Pearson entre cada anotador y el consenso de exclusión (agregado de respuestas excepto el anotador actual) para cada video. Solo un observador en nuestro conjunto de datos tuvo una correlación menor que 0,2 con la calificación de consenso de dejar uno fuera en todos los videos. Elegimos 0,2 como umbral porque a menudo se utiliza como indicador de una correlación débil en la investigación psicológica. Es importante destacar que si comparamos las correlaciones entre el consenso de cada vídeo y un consenso que elimina al anotador que muestra un acuerdo débil, obtenemos una correlación muy alta (r = 0,999), lo que indica que dejar de lado ese tema no influye significativamente en la respuesta de consenso. en nuestro conjunto de datos. Por lo tanto, decidimos mantener el anotador con acuerdo débil en el conjunto de datos para evitar eliminar anotaciones alternativas importantes a los videos.  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!

Demasiado Largo; Para Leer

Boost your HackerNoon story @ $159.99! 🚀

VEATIC: Seguimiento de emociones y afectos basado en videos en un conjunto de datos contextual: procesamiento de valores atípicos

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

Una guía del arquitecto para crear una arquitectura de referencia para un lago de datos de IA/ML

Una breve introducción a la teoría del cerebro de Boltzmann

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

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

Una guía del arquitecto para crear una arquitectura de referencia para un lago de datos de IA/ML

Una breve introducción a la teoría del cerebro de Boltzmann

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

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

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps