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  10. Acordo de assunto entre vídeos  Um benefício do conjunto de dados VEATIC é que ele possui vários anotadores para cada vídeo, sendo o número mínimo de anotadores para qualquer vídeo 25 e o máximo 73. A percepção da emoção é subjetiva e os julgamentos dos observadores podem variar entre várias pessoas. Muitos dos conjuntos de dados de emoções publicados anteriormente têm um número muito baixo de anotadores, muitas vezes tendo apenas um número de anotadores de um dígito (n <10). Ter tão poucos anotadores é problemático devido ao aumento da variação entre os observadores. Para mostrar isso, calculamos como a classificação média de cada vídeo em nosso conjunto de dados variava se amostrassemos aleatoriamente, com substituição, cinco versus todos os anotadores. Repetimos esse processo 1000 vezes para cada vídeo e calculamos o desvio padrão da avaliação média recalculada. A Figura 12a mostra como o desvio padrão da classificação de consenso entre os vídeos varia se usarmos cinco ou todos os anotadores para cada vídeo. Esta análise mostra que ter mais anotadores leva a desvios padrão muito menores na classificação de consenso, o que pode levar a representações mais precisas da emoção da verdade básica nos vídeos.   Além disso, investigamos como as respostas dos observadores variavam entre os vídeos calculando o desvio padrão entre os observadores para cada vídeo. A Figura 12b mostra os desvios padrão entre os vídeos. Descobrimos que os desvios padrão para as dimensões de valência e excitação eram pequenos, com valência tendo um desvio padrão médio de µ = 0,248 e uma mediana de 0,222 e excitação tendo um desvio padrão médio de µ = 0,248 e uma mediana de 0,244, que são comparáveis com a variação da classificação de valência e excitação do EMOTIC [32].  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: acordo de assunto entre vídeos

About Author

COMENTARIOS

Rótulos

ESTE ARTIGO FOI APRESENTADO EM

Related Stories

De fóruns a feeds: como os algoritmos de mídia social moldam a interação digital

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

Telegram: a ponte da Crypto Island para o continente

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

De fóruns a feeds: como os algoritmos de mídia social moldam a interação digital

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

Telegram: a ponte da Crypto Island para o continente

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

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps