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  10. Acuerdo de tema entre videos  Un beneficio del conjunto de datos VEATIC es que tiene múltiples anotadores para cada video, siendo el número mínimo de anotadores para cualquier video determinado 25 y el máximo 73. La percepción de las emociones es subjetiva y los juicios de los observadores pueden variar entre varias personas. Muchos de los conjuntos de datos de emociones publicados anteriormente tienen un número muy bajo de anotadores, y a menudo tienen un número de anotadores de un solo dígito (n <10). Tener tan pocos anotadores es problemático debido a la mayor variación entre los observadores. Para mostrar esto, calculamos cómo variaba la calificación promedio de cada video en nuestro conjunto de datos si tomábamos una muestra aleatoria, con reemplazo, de cinco versus todos los anotadores. Repetimos este proceso 1000 veces para cada video y calculamos la desviación estándar de la calificación promedio recalculada. La Figura 12a muestra cómo varía la desviación estándar de la calificación de consenso entre videos si usamos cinco o todos los anotadores para cada video. Este análisis muestra que tener más anotadores conduce a desviaciones estándar mucho más pequeñas en la calificación de consenso, lo que puede conducir a representaciones más precisas de la emoción de la verdad fundamental en los videos.   Además, investigamos cómo variaban las respuestas de los observadores entre los videos calculando la desviación estándar entre los observadores para cada video. La Figura 12b muestra las desviaciones estándar entre videos. Encontramos que las desviaciones estándar para las dimensiones de valencia y excitación eran pequeñas: la valencia tenía una desviación estándar promedio de µ = 0,248 y una mediana de 0,222 y la excitación tenía una desviación estándar promedio de µ = 0,248 y una mediana de 0,244, que son comparables. con la variación de la calificación de valencia y excitación de EMOTIC [32].  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 contextual: acuerdo de temas entre videos

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

Crecimiento de las criptomonedas: creación de perfiles de usuarios eficaces

Una breve introducción a la teoría del cerebro de Boltzmann

La guía completa para una migración exitosa a la nube: estrategias y mejores prácticas

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

Crecimiento de las criptomonedas: creación de perfiles de usuarios eficaces

Una breve introducción a la teoría del cerebro de Boltzmann

La guía completa para una migración exitosa a la nube: estrategias y mejores prácticas

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