Cet article est disponible sur arxiv sous licence CC 4.0.   Auteurs:  (1) Zhihang Ren, Université de Californie, Berkeley et ces auteurs ont contribué à parts égales à ce travail (E-mail : peter.zhren@berkeley.edu) ;  (2) Jefferson Ortega, Université de Californie, Berkeley et ces auteurs ont contribué à parts égales à ce travail (E-mail : jefferson_ortega@berkeley.edu) ;  (3) Yifan Wang, Université de Californie, Berkeley et ces auteurs ont contribué à parts égales à ce travail (E-mail : wyf020803@berkeley.edu) ;  (4) Zhimin Chen, Université de Californie, Berkeley (E-mail : zhimin@berkeley.edu) ;  (5) Yunhui Guo, Université du Texas à Dallas (E-mail : yunhui.guo@utdallas.edu) ;  (6) Stella X. Yu, Université de Californie, Berkeley et Université du Michigan, Ann Arbor (E-mail : stellayu@umich.edu) ;  (7) David Whitney, Université de Californie, Berkeley (E-mail : dwhitney@berkeley.edu).  Tableau des liens   Résumé et introduction   Wok connexe   Ensemble de données VEATIC   Expériences   Discussion   Conclusion   En savoir plus sur les stimuli   Détails des annotations   Traitement des valeurs aberrantes   Accord de sujet sur les vidéos   Évaluations et références de familiarité et de plaisir  7. En savoir plus sur les stimuli  Toutes les vidéos utilisées dans l'ensemble de données VEATIC ont été sélectionnées sur un site Web de partage de vidéos en ligne (YouTube). L'ensemble de données VEATIC contient 124 clips vidéo, 104 clips de films hollywoodiens, 15 clips de vidéos personnelles et 5 clips de documentaires ou d'émissions de télé-réalité. Plus précisément, nous classons les vidéos documentaires comme toutes les vidéos qui montrent des interactions sociales franches mais comportent une certaine forme de montage vidéo, tandis que les vidéos personnelles font référence aux vidéos qui montrent des interactions sociales franches sans aucun montage vidéo. Toutes les vidéos de l'ensemble de données avaient une fréquence d'images de 25 images par seconde et une résolution variée, la plus basse étant de 202 x 360 et la plus élevée étant de 1 920 x 1 080.  À l'exception de l'aperçu des images vidéo dans la figure 2, nous montrons plus d'échantillons dans la figure 9. De plus, contrairement aux ensembles de données précédemment publiés où la plupart des images contiennent le personnage principal [31, 29, 32], VEATIC a non seulement des images contenant le personnage sélectionné, mais il existe également de nombreuses images contenant des personnages non sélectionnés et des arrière-plans purs (Figure 10). Par conséquent, VEATIC ressemble davantage à nos scénarios de la vie quotidienne et les algorithmes formés sur celui-ci seront plus prometteurs pour les applications quotidiennes.  Cet article est   sous licence CC 4.0. disponible sur arxiv

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

Kinetopgraph.TECH

Read My Stories

kinetograph

Cet audio est produit dans la langue originale de l'histoire !

Trop long; Pour lire

Boost your HackerNoon story @ $159.99! 🚀

VEATIC : Suivi vidéo des émotions et des effets dans un ensemble de données contextuelles : en savoir plus sur les stimuli

About Author

COMMENTAIRES

ÉTIQUETTES

CET ARTICLE A ÉTÉ PARU DANS

Related Stories

Créer des produits cryptographiques centrés sur l'utilisateur : l'importance des retours clients

Libérer la puissance de l’IA. Une revue systématique des techniques de pointe : résumé et introduction

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

Guide de l'architecte pour créer une architecture de référence pour un datalake IA/ML

Créer des produits cryptographiques centrés sur l'utilisateur : l'importance des retours clients

Libérer la puissance de l’IA. Une revue systématique des techniques de pointe : résumé et introduction

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

Guide de l'architecte pour créer une architecture de référence pour un datalake IA/ML

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps