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  5. Discussion  Comprendre comment les humains déduisent les émotions des autres est essentiel pour que les chercheurs comprennent la cognition sociale. Tandis que les psychophysiciens mènent des expériences, ils ont besoin d’ensembles de stimuli spécifiques pour concevoir leurs expériences. Cependant, parmi les ensembles de données publiés, il n'existe actuellement aucun ensemble de données vidéo contextuelles contenant des évaluations continues de la valence et de l'éveil. L’absence de ce type d’ensembles de données empêche également les chercheurs de développer des algorithmes de vision par ordinateur pour les tâches correspondantes. Notre ensemble de données VEATIC proposé comble cette lacune importante dans le domaine de la vision par ordinateur et sera bénéfique pour les études psychophysiques visant à comprendre la reconnaissance des émotions. D  Au cours de la collecte de données, les participants ont suivi et évalué en permanence les émotions des personnages cibles dans les clips vidéo, ce qui est différent des expériences psychophysiques générales où les réponses sont collectées après un délai. Cette conception de notre ensemble de données était essentielle pour imiter le traitement des émotions en temps réel qui se produit lorsque les humains traitent leurs émotions dans leur vie quotidienne. De plus, le traitement des émotions n’est pas un processus immédiat et repose en grande partie sur l’accumulation temporelle d’informations au fil du temps afin de tirer des conclusions précises sur les émotions des autres.  La force de l’ensemble de données VEATIC est qu’il imite la façon dont les humains perçoivent les émotions dans le monde réel : en continu et en présence d’informations contextuelles à la fois dans le domaine temporel et spatial. Un ensemble de données aussi riche est vital pour les futurs modèles de vision par ordinateur et peut repousser les limites de ce que les modèles actuels peuvent accomplir. Avec la création d’ensembles de données plus riches comme VEATIC, il pourrait être possible pour les futurs modèles de vision par ordinateur de percevoir les émotions en temps réel lors de l’interaction avec les humains.  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 : Discussion

About Author

COMMENTAIRES

ÉTIQUETTES

CET ARTICLE A ÉTÉ PARU DANS

Related Stories

Croissance des crypto-monnaies : créer des profils d'utilisateurs efficaces

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

Le guide complet pour réussir une migration vers le cloud : stratégies et bonnes pratiques

Les couches invisibles : pourquoi les entretiens avec les utilisateurs sont un atout irremplaçable

Croissance des crypto-monnaies : créer des profils d'utilisateurs efficaces

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

Le guide complet pour réussir une migration vers le cloud : stratégies et bonnes pratiques

Les couches invisibles : pourquoi les entretiens avec les utilisateurs sont un atout irremplaçable

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps