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  10. Videolar Arasında Konu Anlaşması  VEATIC veri kümesinin bir yararı, her video için birden fazla açıklayıcıya sahip olmasıdır; herhangi bir video için minimum ek açıklamacı sayısı 25 ve maksimum 73'tür. Duygu algısı özneldir ve gözlemcilerin yargıları birden fazla kişiye göre değişebilir. Daha önce yayınlanmış duygu veri kümelerinin çoğunda çok az sayıda ek açıklama bulunur ve genellikle yalnızca tek haneli (n < 10) sayıda ek açıklama bulunur. Gözlemciler arasındaki artan değişkenlik nedeniyle bu kadar az açıklayıcıya sahip olmak sorunludur. Bunu göstermek için, veri setimizdeki her bir videonun ortalama derecelendirmesinin, tüm ek açıklayıcılara karşılık beş tanesini değiştirerek rastgele örneklediğimiz takdirde nasıl değişeceğini hesapladık. Bu işlemi her video için 1000 kez tekrarladık ve yeniden hesaplanan ortalama derecelendirmenin standart sapmasını hesapladık. Şekil 12a, her video için beş veya tüm ek açıklamaları kullandığımızda, videolar arasındaki fikir birliği derecelendirmesinin standart sapmasının nasıl değiştiğini göstermektedir. Bu analiz, daha fazla ek açıklamacıya sahip olmanın, fikir birliği derecelendirmesinde çok daha küçük standart sapmalara yol açtığını ve bunun da videolarda temel gerçek duygusunun daha doğru temsil edilmesine yol açabileceğini göstermektedir.   Ek olarak, her video için gözlemciler arasındaki standart sapmayı hesaplayarak, gözlemcilerin tepkilerinin videolar arasında nasıl değiştiğini araştırdık. Şekil 12b, videolar arasındaki standart sapmaları göstermektedir. Hem değerlik hem de uyarılma boyutları için standart sapmaların küçük olduğunu, ortalama standart sapması µ = 0,248 ve medyanı 0,222 ve uyarılmanın ortalama standart sapması µ = 0,248 ve medyanı 0,244 olan, karşılaştırılabilir düzeyde olduğunu bulduk. EMOTIC'ten gelen değer ve uyarılma derecesi varyansı ile [32].  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: Videolar Arasında Konu Anlaşması

About Author

YORUMLAR

ETİKETLERİ ASIN

BU YAZI

Related Stories

Bu 18 Geliştirici Aracıyla Üretkenliğinizi Artırın 🚀🔥

Claude Sonnet 3.5 Sistem Bilgi Sızıntısı: Adli Analiz

Kripto Büyümesi: Etkili Kullanıcı Kişilikleri Oluşturma

HackerNoon Kendi Ana Dilinizde 🆕 ‼️ Teknoloji Blog Yazıları için 77 Dil Ana Sayfası

Bu 18 Geliştirici Aracıyla Üretkenliğinizi Artırın 🚀🔥

Claude Sonnet 3.5 Sistem Bilgi Sızıntısı: Adli Analiz

Kripto Büyümesi: Etkili Kullanıcı Kişilikleri Oluşturma

HackerNoon Kendi Ana Dilinizde 🆕 ‼️ Teknoloji Blog Yazıları için 77 Dil Ana Sayfası

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps