Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "wykrywanie emocji" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-4 z 4
    Tytuł:
    A method to measure the emotional experience of audience by the EMOJ tool. The case study of Macerata Opera Festival
    Metoda pomiaru doświadczenia emocjonalnego odbiorców za pomocą narzędzia EMOJ. Studium przypadku Macerata Opera Festival
    Autorzy:
    Mengoni, Maura
    Generosi, Andrea
    Giraldi, Luca
    Torcianti, Marco
    Powiązania:
    https://bibliotekanauki.pl/articles/1058719.pdf
    Data publikacji:
    2019-10-31
    Wydawca:
    Polskie Wydawnictwo Ekonomiczne
    Tematy:
    customer experience
    artificial intelligence
    emotions detection
    marketing for cultural organizations
    experiential marketing
    doświadczenie klienta
    sztuczna inteligencja
    wykrywanie emocji
    marketing dla organizacji kulturalnych
    marketing empiryczny
    Opis:
    This paper aims to present a case study on the application of Emotional Analytics to measure audience experience in the culture sector. The adopted technology enables audience measurement by detecting persons' face and recognizing the emotions they feel in real time, while watching a show or attending a cultural event. It is the result of a long-term research and development project, whose goal is to advance neuro-marketing by proving a non-invasive ad wearable technology to investigate individual affective and emotional response in public spaces. The developed Emotional Analytics platform is called EMOJ and in summer 2019 has been used to analyse the experience lived by the audience of the Macerata Opera Festival, a series of opera representations that take place in the Sferisterio Arena, in Macerata. The goal of this project is to provide useful information on the quality of each performance and of the entire festival perceived by the audience, in order to make the right choices to improve the performances and to have a return on ticket sales for the coming years.
    Artykuł przedstawia studium przypadku dotyczące zastosowania analizy emocjonalnej do pomiaru doświadczenia odbiorców w sektorze kultury. Przyjęta technologia umożliwia pomiar widowni poprzez wykrywanie twarzy osób i rozpoznawanie emocji, które odczuwają w czasie rzeczywistym podczas oglądania programu lub uczestnictwa w wydarzeniu kulturalnym. Jest to wynik długoterminowego projektu badawczo-rozwojowego, którego celem jest rozwój neuromarketingu poprzez doskonalenie tzw. ad wearable technology stosowanej w celu badania indywidualnej reakcji afektywnej i emocjonalnej w przestrzeni publicznej. Opracowana platforma analizy emocjonalnej o nazwie EMOJ latem 2019 r. została wykorzystana do analizy doświadczeń widzów Macerata Opera Festival – serii przedstawień operowych, które odbywają się na Sferisterio Arena w Macerata. Celem tego projektu jest dostarczenie użytecznych informacji na temat jakości każdego spektaklu i całego festiwalu postrzeganego przez widownię, aby udoskonalić widowisko i wskutek tego poprawić wyniki ze sprzedaży biletów w nadchodzących latach.
    Źródło:
    Marketing i Rynek; 2019, 10; 4-13
    1231-7853
    Pojawia się w:
    Marketing i Rynek
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Speech emotion recognition using wavelet packet reconstruction with attention-based deep recurrent neutral networks
    Autorzy:
    Meng, Hao
    Yan, Tianhao
    Wei, Hongwei
    Ji, Xun
    Powiązania:
    https://bibliotekanauki.pl/articles/2173587.pdf
    Data publikacji:
    2021
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    speech emotion recognition
    voice activity detection
    wavelet packet reconstruction
    feature extraction
    LSTM networks
    attention mechanism
    rozpoznawanie emocji mowy
    wykrywanie aktywności głosowej
    rekonstrukcja pakietu falkowego
    wyodrębnianie cech
    mechanizm uwagi
    sieć LSTM
    Opis:
    Speech emotion recognition (SER) is a complicated and challenging task in the human-computer interaction because it is difficult to find the best feature set to discriminate the emotional state entirely. We always used the FFT to handle the raw signal in the process of extracting the low-level description features, such as short-time energy, fundamental frequency, formant, MFCC (mel frequency cepstral coefficient) and so on. However, these features are built on the domain of frequency and ignore the information from temporal domain. In this paper, we propose a novel framework that utilizes multi-layers wavelet sequence set from wavelet packet reconstruction (WPR) and conventional feature set to constitute mixed feature set for achieving the emotional recognition with recurrent neural networks (RNN) based on the attention mechanism. In addition, the silent frames have a disadvantageous effect on SER, so we adopt voice activity detection of autocorrelation function to eliminate the emotional irrelevant frames. We show that the application of proposed algorithm significantly outperforms traditional features set in the prediction of spontaneous emotional states on the IEMOCAP corpus and EMODB database respectively, and we achieve better classification for both speaker-independent and speaker-dependent experiment. It is noteworthy that we acquire 62.52% and 77.57% accuracy results with speaker-independent (SI) performance, 66.90% and 82.26% accuracy results with speaker-dependent (SD) experiment in final.
    Źródło:
    Bulletin of the Polish Academy of Sciences. Technical Sciences; 2021, 69, 1; art. no. e136300
    0239-7528
    Pojawia się w:
    Bulletin of the Polish Academy of Sciences. Technical Sciences
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Speech emotion recognition using wavelet packet reconstruction with attention-based deep recurrent neutral networks
    Autorzy:
    Meng, Hao
    Yan, Tianhao
    Wei, Hongwei
    Ji, Xun
    Powiązania:
    https://bibliotekanauki.pl/articles/2090711.pdf
    Data publikacji:
    2021
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    speech emotion recognition
    voice activity detection
    wavelet packet reconstruction
    feature extraction
    LSTM networks
    attention mechanism
    rozpoznawanie emocji mowy
    wykrywanie aktywności głosowej
    rekonstrukcja pakietu falkowego
    wyodrębnianie cech
    mechanizm uwagi
    sieć LSTM
    Opis:
    Speech emotion recognition (SER) is a complicated and challenging task in the human-computer interaction because it is difficult to find the best feature set to discriminate the emotional state entirely. We always used the FFT to handle the raw signal in the process of extracting the low-level description features, such as short-time energy, fundamental frequency, formant, MFCC (mel frequency cepstral coefficient) and so on. However, these features are built on the domain of frequency and ignore the information from temporal domain. In this paper, we propose a novel framework that utilizes multi-layers wavelet sequence set from wavelet packet reconstruction (WPR) and conventional feature set to constitute mixed feature set for achieving the emotional recognition with recurrent neural networks (RNN) based on the attention mechanism. In addition, the silent frames have a disadvantageous effect on SER, so we adopt voice activity detection of autocorrelation function to eliminate the emotional irrelevant frames. We show that the application of proposed algorithm significantly outperforms traditional features set in the prediction of spontaneous emotional states on the IEMOCAP corpus and EMODB database respectively, and we achieve better classification for both speaker-independent and speaker-dependent experiment. It is noteworthy that we acquire 62.52% and 77.57% accuracy results with speaker-independent (SI) performance, 66.90% and 82.26% accuracy results with speaker-dependent (SD) experiment in final.
    Źródło:
    Bulletin of the Polish Academy of Sciences. Technical Sciences; 2021, 69, 1; e136300, 1--12
    0239-7528
    Pojawia się w:
    Bulletin of the Polish Academy of Sciences. Technical Sciences
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Hierarchical Bi-LSTM based emotion analysis of textual data
    Autorzy:
    Mahto, Dashrath
    Yadav, Subhash Chandra
    Powiązania:
    https://bibliotekanauki.pl/articles/2173676.pdf
    Data publikacji:
    2022
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    emotion analysis
    machine learning
    emotion detection
    deep learning
    hierarchical Bi-LSTM
    analiza emocji
    uczenie maszynowe
    wykrywanie emocji
    głęboka nauka
    hierarchiczna dwukierunkowa pamięć krótkotrwała
    Opis:
    Nowadays, Twitter is one of the most popular microblogging sites that is generating a massive amount of textual data. Such textual data is intended to incorporate human feelings and opinions with related events like tweets, posts, and status updates. It then becomes difficult to identify and classify the emotions from the tweets due to their restricted word length and data diversity. In contrast, emotion analysis identifies and classifies different emotions based on the text data generated from social media platforms. The underlying work anticipates an efficient category and prediction technique for analyzing different emotions from textual data collected from Twitter. The proposed research work deliberates an enhanced deep neural network (EDNN) based hierarchical Bi-LSTM model for emotion analysis from textual data; that classifies the six emotions mainly sadness, love, joy, surprise, fear, and anger. Furthermore, the emotion analysis result obtained by the proposed hierarchical Bi-LSTM model is being compared and validated with the traditional hybrid CNN-LSTM approach regarding the accuracy, recall, precision, and F1-Score. It can be observed from the results that the proposed hierarchical Bi-LSTM achieves an average accuracy of 89% for emotion analysis, whereas the existing CNN-LSTM model achieved an overall accuracy of 75%. This result shows that the proposed hierarchical Bi-LSTM approach achieves desired performance compared to the CNN-LSTM model.
    Źródło:
    Bulletin of the Polish Academy of Sciences. Technical Sciences; 2022, 70, 3; art. no. e141001
    0239-7528
    Pojawia się w:
    Bulletin of the Polish Academy of Sciences. Technical Sciences
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-4 z 4

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies