Este artigo está disponível no arxiv sob licença CC 4.0.   Autores:  (1) Zhihang Ren, Universidade da Califórnia, Berkeley e estes autores contribuíram igualmente para este trabalho (E-mail: peter.zhren@berkeley.edu);  (2) Jefferson Ortega, Universidade da Califórnia, Berkeley e estes autores contribuíram igualmente para este trabalho (E-mail: jefferson_ortega@berkeley.edu);  (3) Yifan Wang, Universidade da Califórnia, Berkeley e estes autores contribuíram igualmente para este trabalho (E-mail: wyf020803@berkeley.edu);  (4) Zhimin Chen, Universidade da Califórnia, Berkeley (E-mail: zhimin@berkeley.edu);  (5) Yunhui Guo, Universidade do Texas em Dallas (E-mail: yunhui.guo@utdallas.edu);  (6) Stella X. Yu, Universidade da Califórnia, Berkeley e Universidade de Michigan, Ann Arbor (E-mail: stellayu@umich.edu);  (7) David Whitney, Universidade da Califórnia, Berkeley (E-mail: dwhitney@berkeley.edu).  Tabela de links   Resumo e introdução   Wok Relacionado   Conjunto de dados VEATIC   Experimentos   Discussão   Conclusão   Mais sobre estímulos   Detalhes da anotação   Processamento de valores discrepantes   Acordo de assunto entre vídeos   Avaliações e referências de familiaridade e prazer  7. Mais sobre estímulos  Todos os vídeos utilizados no conjunto de dados VEATIC foram selecionados de um site de compartilhamento de vídeos online (YouTube). O conjunto de dados VEATIC contém 124 videoclipes, 104 clipes de filmes de Hollywood, 15 clipes de vídeos caseiros e 5 clipes de documentários ou reality shows de TV. Especificamente, classificamos vídeos documentários como quaisquer vídeos que mostram interações sociais sinceras, mas possuem alguma forma de edição de vídeo, enquanto vídeos caseiros referem-se a vídeos que mostram interações sociais sinceras sem qualquer edição de vídeo. Todos os vídeos no conjunto de dados tinham uma taxa de quadros de 25 quadros por segundo e variavam em resolução, sendo a mais baixa 202 x 360 e a mais alta 1920 x 1080.  Exceto pela visão geral dos quadros de vídeo na Figura 2, mostramos mais exemplos na Figura 9. Além disso, diferentemente dos conjuntos de dados publicados anteriormente, onde a maioria dos quadros contém o caractere principal [31, 29, 32], o VEATIC não possui apenas quadros contendo o caractere selecionado, mas também há muitos quadros contendo personagens não selecionados e fundos puros (Figura 10). Portanto, o VEATIC é mais semelhante aos nossos cenários da vida diária, e os algoritmos treinados nele serão mais promissores para aplicações diárias.  Este artigo está   sob licença CC 4.0. disponível no 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 áudio é produzido no idioma original da história!

Muito longo; Para ler

Boost your HackerNoon story @ $159.99! 🚀

VEATIC: Rastreamento de emoção e afeto baseado em vídeo em conjunto de dados de contexto: mais sobre estímulos

About Author

COMENTARIOS

Rótulos

ESTE ARTIGO FOI APRESENTADO EM

Related Stories

Navegando pelas águas: desenvolvendo aplicações RAG de nível de produção com data lakes

Criando produtos criptográficos centrados no usuário: a importância do feedback do cliente

Liberando o poder da IA. Uma revisão sistemática de técnicas de ponta: resumo e introdução

Crescimento de Criptomoedas: Criando Personas de Usuários Eficazes

Navegando pelas águas: desenvolvendo aplicações RAG de nível de produção com data lakes

Criando produtos criptográficos centrados no usuário: a importância do feedback do cliente

Liberando o poder da IA. Uma revisão sistemática de técnicas de ponta: resumo e introdução

Crescimento de Criptomoedas: Criando Personas de Usuários Eficazes

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps