- 博客(12)
- 收藏
- 关注
RSS订阅原创 多模态情感计算数据集资料整理（单模态）
Fer2013人脸表情数据集由35886张人脸表情图片组成，其中，测试图（Training）28708张，公共验证图（PublicTest）和私有验证图（PrivateTest）各3589张，每张图片是由大小固定为48×48的灰度图像组成，共有7种表情，分别对应于数字标签0-6，具体表情对应的标签和中英文如下：0 anger 生气；1 disgust 厌恶；2 fear 恐惧；3 happy 开心；4 sad 伤心；5 surprised 惊讶；6 normal 中性。vit模型。
2024-05-15 23:51:40
734
翻译 CREMA-D：演员表演众包标注的多模态情绪数据集(专业翻译)
人们通过他们的面部表情和语音表情传达他们的情绪状态。我们提出了一个独特的视听数据集，专门用于研究多模态情绪的表达和感知。该数据集包括以一系列基本情绪状态（快乐happy、悲伤sad、愤怒anger、恐惧fear、厌恶disgust和中立neutral）。来自91名不同种族背景的演员说出的句子，录制了7,442个片段，由众包的2,443名标注者以三种模态进行评分：音频，视频和视听，标注了情绪分类标签和情绪强度标签。
2024-05-14 23:31:20
762
2
原创 数据预处理
二分类：在管道的最后，少数类和多数类之间的比率将为0.5。下述方法仅适用于训练数据，不能更改测试数据的分布情况。将数量多的类别随机删除部分直到所有类别数量一致。将数量少的类别复制一直到所有类别数量一致。3.将过采样和欠采样结合。
2024-05-10 13:39:27
191
原创 多模态情绪识别的野外数据集评估
多模态情感识别意味着使用不同的资源和技术来识别和识别人类的情感。各种数据源，如人脸，语音，语音，文本和其他必须同时处理这个识别任务。然而，大多数主要基于深度学习的技术都是使用在受控条件下设计和构建的数据集进行训练的，这使得它们在具有真实的条件的真实的上下文中的适用性更加困难。出于这个原因，这项工作的目的是评估一组野外数据集，以显示它们在多模态情感识别方面的优势和劣势。评估了四个野外数据集：AFEW，SFEW，MELD和AffWild2。
2024-05-07 20:21:05
1928
1
原创 AFEM学习笔记
在我们的比较实验中，我们使用了来自AFEW和CK+数据库的六个常见类别（愤怒，恐惧，厌恶，快乐，悲伤和惊讶）。而不是手动扫描一个完整的电影，我们的标签只审查推荐系统建议的视频剪辑，它搜索的剪辑与一个主题显示一个有意义的表达的概率很高。随后，我们描述了三个版本的SFEW，这是基于主题的依赖程度，在不同的情况下，用于评估系统的面部表情识别性能。我们的基线结果表明，据报道，目前的面部表情识别方法在现有数据集上实现了较高的识别率，但无法科普这种现实环境，因此需要建立新的数据库和进一步的研究。图1.数据库创建过程。
2024-05-07 15:05:19
1554
1
原创 HEU情感数据集学习笔记
HEU Emotion共包含19004个视频片段，根据数据来源分为两部分。第一部分包含从Tumblr，Google和Giphy下载的视频，包括10种情绪和两种形式（面部表情和身体姿势）。第二部分包括从电影、电视剧和综艺节目中手工提取的语料，包括10种情绪和三种模态（面部表情、身体姿势和情绪言语），拥有9951个受试。
2024-05-06 18:19:53
866
1
原创 docker学习笔记
总述：在windows环境下使用docker配置conda pytorch环境打包。然后并在vscode的远程服务器上运行。1、安装docker desktop。5、选择星星最多的一项拉取镜像。4、搜索anaconda镜像。2、添加镜像源，然后会重启。没有报错说说明安装成功。6、为当前镜像创建一个容器。9、创建conda虚拟环境。10、镜像保存的两个方法。
2024-04-23 13:29:38
98
原创 sqlmodel学习笔记
SQLite 是一种嵌入式关系型数据库管理系统（RDBMS），它是一个开源的、零配置的、服务器端轻量级的数据库引擎。与传统的客户端-服务器模式的数据库管理系统不同，SQLite 是将数据库引擎嵌入到应用程序中，以库的形式提供对数据库的访问。（可选，序列类型）：用于传递额外的位置参数给 SQLAlchemy 的关系属性。（可选，字符串类型）：用于指定与当前关系字段相对应的反向关系字段的名称。是一个在 ORM 框架中常用的概念，它包含了关于数据库表结构的元数据信息，例如表名、字段、主键等。
2024-04-21 17:31:03
680
2
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人