The use of spatio-temporal Information in decoding facial expression of emotions
Notice bibliographique
Résumé
Facial expressions of emotions guide adaptive behaviors by communicating information that can be used to rapidly infer the thoughts and feelings of others. This information has partially been characterized using static images (e.g., mouth in low spatial frequencies for happiness, eyes in high spatial frequencies for fear; Smiths et al., 2005), but relatively little is known about the contribution of facial movement (but see Cunningham, Kleiner & Büthoff, 2005). Thirty participants viewed 5,000 sparse versions of 80 static emotional faces, and thirty others viewed the 5,000 dynamic sparse counterparts corresponding to the six basic emotions from the STOIC database (Roy et al., 2007). Observers were required to categorize facial expressions as fearful, happy, sad, surprised, disgusted, or angered. More specifically, the sparse static stimuli sampled facial information at random locations at five one-octave SF bands (Gosselin & Schyns, 2001) and the sparse dynamic stimuli randomly sampled space and time (Vinette, Gosselin & Schyn, 2004). Online calibration of sampling density ensured 75% overall accuracy. We performed multiple linear regressions on sample locations (in space-time for dynamic stimuli) and accuracy to reveal the effective use of information for every emotion in the static and dynamic conditions. Our results with static stimuli essentially corroborate the findings of Smith et al., (2005) and our preliminary results with dynamic stimuli extend them by providing original data regarding the spatio-temporal characteristics of facial expression recognition—dynamic facial expressions appear to communicate unique spatio-temporal cues that may differentially contribute to recognition behavior.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».