相关实验视频
Updated: Jun 8, 2025

Loneliness Assuaged: Eye-Tracking an Audience Watching Barrage Videos
Published on: May 29, 2020
在视频广告中解读观众的情绪.
Alexey Antonov1, Shravan Sampath Kumar2, Jiefei Wei3
1WMG, University of Warwick, Coventry, UK.
研究人员开发了一种深度学习模型,用于预测视频中观众的情绪. 通过3万个广告的230多万条注释进行训练,它可以准确地识别情绪反应,帮助内容分析和推.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 情感计算是一种情感计算.
背景情况:
- 预测视频中的观众情绪对于内容推和广告等应用至关重要.
- 一个重大挑战是,对于视频,缺乏带有情感注释的大型数据集.
- 现有的方法受限于数据的可用性和人类情绪反应的复杂性.
研究的目的:
- 开发和验证一种深度学习模型,用于预测观众对视频内容的情绪反应.
- 通过创建一个大规模的注释数据集来解决视频情感理解中的数据限制.
- 为分析视频广告中的情绪提供准确且易于使用的工具.
主要方法:
- 利用了超过3万个视频广告的数据集,每广告约有75个观众的约230万个情感注释.
- 采用卷积神经网络集成视频和音频数据来预测5秒钟的情绪.
- 收集了八种情绪类别的注释:愤怒,蔑视,厌恶,恐惧,幸福,悲伤,惊喜和中立,并注意到它们的时间发作.
主要成果:
- 该模型在预测突出的5秒情感片段方面实现了43.6%的平均平衡精度.
- 在检测特定情绪方面表现出很高的表现,对快乐的准确率为55.8%,对悲伤的准确率为60.2%.
- 当应用到全广告来确定情感下调时,达到75%的强平均曲线下面面积 (AUC).
结论:
- 这项研究成功地克服了以前在视频情感理解方面的数据限制.
- 开发的深度学习模型为预测视频中观众情绪提供了准确的解决方案.
- 经过培训的网络可用于研究目的,促进该领域的进一步进步.
更多相关视频
07:36Eye Tracking During Visually Situated Language Comprehension: Flexibility and Limitations in Uncovering Visual Context Effects
Published on: November 30, 2018
06:39Electroencephalographic, Heart Rate, and Galvanic Skin Response Assessment for an Advertising Perception Study: Application to Antismoking Public Service Announcements
Published on: August 28, 2017
相关概念视频
Facial Feedback Hypothesis
Cognitive Theories: Schachter-Singer Theory of Emotion
Physiological Arousal and Cognitive Labeling
According to this theory, when an individual experiences...
Framing Effects
Stereotype Content Model
Emotional Expression
Universal Facial Expressions
Psychologist Paul Ekman identified seven basic...
Routes of Persuasion