Bu makale arxiv'de CC 4.0 lisansı altında mevcuttur.   Yazarlar:  (1) Zhihang Ren, Kaliforniya Üniversitesi, Berkeley ve bu yazarlar bu çalışmaya eşit katkıda bulunmuşlardır (E-posta: peter.zhren@berkeley.edu);  (2) Jefferson Ortega, California Üniversitesi, Berkeley ve bu yazarlar bu çalışmaya eşit katkıda bulunmuşlardır (E-posta: jefferson_ortega@berkeley.edu);  (3) Yifan Wang, California Üniversitesi, Berkeley ve bu yazarlar bu çalışmaya eşit katkıda bulunmuşlardır (E-posta: wyf020803@berkeley.edu);  (4) Zhimin Chen, Kaliforniya Üniversitesi, Berkeley (E-posta: zhimin@berkeley.edu);  (5) Yunhui Guo, Dallas'taki Texas Üniversitesi (E-posta: yunhui.guo@utdallas.edu);  (6) Stella X. Yu, Kaliforniya Üniversitesi, Berkeley ve Michigan Üniversitesi, Ann Arbor (E-posta: stellayu@umich.edu);  (7) David Whitney, Kaliforniya Üniversitesi, Berkeley (E-posta: dwhitney@berkeley.edu).  Bağlantı Tablosu   Özet ve Giriş   İlgili Wok   VEATIC Veri Kümesi   Deneyler   Tartışma   Çözüm   Uyaranlar Hakkında Daha Fazla Bilgi   Ek Açıklama Ayrıntıları   Aykırı Değer İşleme   Videolar Arasında Konu Anlaşması   Aşinalık ve Keyif Derecelendirmeleri ve Referanslar  8. Ek Açıklama Ayrıntıları  Toplamda VEATIC veri kümesindeki videolara açıklama ekleyen 192 katılımcımız vardı. Seksen dört katılımcı 0-82 arasındaki video kimliklerine açıklama ekledi. Yüz sekiz katılımcı, VEATIC veri kümesinin planlanmasından önce 83-123 numaralı video kimliklerine açıklama ekledi. Özellikle, elli bir katılımcı 83-94 numaralı video kimliklerine açıklama ekledi, yirmi beş katılımcı 95-97 numaralı video kimliklerine açıklama ekledi ve 32 katılımcı 98-123 numaralı video kimliklerine açıklama ekledi.  VEATIC veri setinin bir diğer yeniliği de etkileşimli karakterlere sahip videolar ve aynı videodaki ayrı karakterler için derecelendirmeler içermesidir. Bu videolar, video kimlikleri 98-123 olanlardır. Ardışık her video çifti için video kareleri tamamen aynıdır ancak sürekli duygu derecelendirmeleri, seçilen farklı karakterlere göre açıklanır. Şekil 11'de bir örnek gösterilmektedir. Bu çalışmada ilk olarak bu açıklama sürecini öneriyoruz çünkü gelecekteki algoritmalara, karakterler arasındaki etkileşimler ve tam olarak aynı bağlam bilgisi göz önüne alındığında modellerin seçilen karakterlerin duygularını öğrenip öğrenmediğini test etmek için bir yol sağlar. İyi bir duygu tanıma algoritması bu karmaşık durumla başa çıkmalıdır.  Bu makale   . arxiv'de CC 4.0 lisansı altında mevcuttur

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

Kinetopgraph.TECH

Read My Stories

kinetograph

Bu ses hikayenin orijinal dilinde üretilmiştir!

Çok uzun; Okumak

Boost your HackerNoon story @ $159.99! 🚀

VEATIC: Bağlam Veri Kümesinde Video Tabanlı Duygu ve Duygu Takibi: Ek Açıklama Ayrıntıları

About Author

YORUMLAR

ETİKETLERİ ASIN

BU YAZI

Related Stories

Başarılı Buluta Geçiş İçin Tam Kılavuz: Stratejiler ve En İyi Uygulamalar

Forumlardan Feed'lere: Sosyal Medya Algoritmaları Dijital Etkileşimi Nasıl Şekillendiriyor

Kazanmak için Dokun: Telegram, Solana'dan Önce Sonraki 10 Milyar Kripto Kullanıcısına Katılabilir

Kullanıcı Odaklı Kripto Ürünleri Oluşturma: Müşteri Geri Bildiriminin Önemi

Başarılı Buluta Geçiş İçin Tam Kılavuz: Stratejiler ve En İyi Uygulamalar

Forumlardan Feed'lere: Sosyal Medya Algoritmaları Dijital Etkileşimi Nasıl Şekillendiriyor

Kazanmak için Dokun: Telegram, Solana'dan Önce Sonraki 10 Milyar Kripto Kullanıcısına Katılabilir

Kullanıcı Odaklı Kripto Ürünleri Oluşturma: Müşteri Geri Bildiriminin Önemi

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps