该论文可在 arxiv 上根据 CC 4.0 许可获取。 作者：  （1）加州大学伯克利分校的任志航和本文其他作者对本文的贡献相同（Email: peter.zhren@berkeley.edu）；  （2）加州大学伯克利分校的 Jefferson Ortega 和本文其他作者对本文做出了同等贡献（电子邮箱：jefferson_ortega@berkeley.edu）；  （3）加州大学伯克利分校的 Yifan Wang 和本文其他作者对本文的贡献相同（电子邮箱：wyf020803@berkeley.edu）；  （4）陈志敏，加州大学伯克利分校（电邮：zhimin@berkeley.edu）；  （5）郭云晖，德克萨斯大学达拉斯分校（电子邮箱：yunhui.guo@utdallas.edu）  （6）Stella X. Yu，加州大学伯克利分校和密歇根大学安娜堡分校（电子邮箱：stellayu@umich.edu）  （7）加州大学伯克利分校的 David Whitney（电子邮箱：dwhitney@berkeley.edu）。 链接表 摘要和简介 相关炒锅 VEATIC 数据集 实验 讨论 结论 更多关于刺激 注释详细信息 异常值处理 视频间主题一致性 熟悉度和享受度评级及参考 10. 视频间主题一致性 VEATIC 数据集的一个优点是它为每个视频配备了多个注释者，任何给定视频的注释者数量最少为 25 人，最多为 73 人。情绪感知是主观的，观察者的判断可能因人而异。许多之前发布的情绪数据集的注释者数量非常少，通常只有个位数（n < 10）。注释者数量如此之少是有问题的，因为观察者之间的差异增加了。为了说明这一点，我们计算了如果我们随机抽取 5 名注释者与所有注释者，数据集中每个视频的平均评分会如何变化。我们对每个视频重复此过程 1000 次，并计算重新计算的平均评分的标准差。图 12a 显示了如果我们对每个视频使用 5 名或所有注释者，视频之间的共识评分的标准差会如何变化。该分析表明，注释者越多，共识评分的标准差就越小，从而可以更准确地表示视频中的真实情绪。  此外，我们通过计算每个视频的观察者标准差，研究了观察者对不同视频的反应如何变化。图 12b 显示了不同视频的标准差。我们发现效价和唤醒度维度的标准差都很小，效价的平均标准差为 µ = 0.248，中位数为 0.222，唤醒度的平均标准差为 µ = 0.248，中位数为 0.244，这与 EMOTIC [32] 的效价和唤醒度评级方差相当。 该论文 。 可在 arxiv 上根据 CC 4.0 许可获取

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

Kinetopgraph.TECH

Read My Stories

kinetograph

該音頻是用故事的原始語言製作的！

太長; 讀書

Boost your HackerNoon story @ $159.99! 🚀

VEATIC：基于视频的情感和情境数据集跟踪：跨视频的主题一致性

About Author

註釋

標籤

这篇文章刊登在

Related Stories

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

Claude Sonnet 3.5 系统提示泄漏：法医分析

比特币 UTXO 模型，为独特的生态系统提供动力

Telegram：加密岛通往大陆的桥梁

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

Claude Sonnet 3.5 系统提示泄漏：法医分析

比特币 UTXO 模型，为独特的生态系统提供动力

Telegram：加密岛通往大陆的桥梁

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps