Bi-Modal Emotion Recognition Dataset (RAVDESS + SAVEE + CREMA-D)
Notice bibliographique
Résumé
This dataset is a visual (audio-video) resource created for bimodal emotion recognition. It is compiled from three major sources: CREMA-D (Crowd-sourced Emotional Multimodal Actors Dataset) RAVDESS (Ryerson Audio-Visual Database of Emotional Speech and Song) SAVEE (Surrey Audio-Visual Expressed Emotion) By integrating these databases, a comprehensive and diverse dataset was developed to improve the accuracy of bimodal emotion recognition systems. The resulting dataset includes audio-visual recordings of 119 actors (64 males and 55 females) representing various ethnic backgrounds and age groups. Initially, the dataset comprised 11,956 samples (6,371 from male actors and 5,585 from female actors) across seven emotion categories: Angry, Sad, Happy, Fearful, Surprised, Disgust, and Neutral. However, the dataset exhibited class imbalance, with certain emotions like "Surprised" being underrepresented. To address this imbalance, and to introduce natural variations in expression, data augmentation techniques were applied. This involved randomly selecting, duplicating, and modifying video samples from each class using methods such as pitch shifting and speed alteration. As a result, the dataset became class-balanced, containing a total of 14,257 files (7,482 from male and 6,775 from female actors). This extensive and diverse dataset improves real-world relevance by encompassing a wide range of actors, emotional expressions, ethnic diversity, and gender representation. It significantly strengthens the generalizability and robustness of emotion recognition models in practical applications. Insight of the Dataset train val test Total Total Files 10013 (5106 for Male, 4907 for Female) 2851 (1491 for Male, 1360 for Female) 1393 (880 for Male, 513 for Female) 14257 (7477 for Male, 6780 for Female) Total Actors 83 Actors (43 Male, 40 Female) 24 Actors (13 Male, 11 Female) 12 Actors (8 Male, 4 Female) 119 Actors (64 Male, 55 Female) Classwise Insights (Total Files) Training set Angry Disgust Fearful Happy Neutral Sad Surprised Male 765 705 772 777 703 768 616 Female 727 699 742 746 657 735 601 Total 1492 1404 1514 1523 1360 1503 1217 Validation set Angry Disgust Fearful Happy Neutral Sad Surprised Male 224 211 219 224 211 219 183 Female 203 190 198 203 190 198 178 Total 427 401 417 427 401 417 361 Testing set Angry Disgust Fearful Happy Neutral Sad Surprised Male 131 125 131 131 129 131 102 Female 74 67 74 74 62 74 88 Total 205 192 205 205 191 205 190 Overall Angry Disgust Fearful Happy Neutral Sad Surprised Male 1120 1041 1122 1132 1043 1118 901 Female 1004 956 1014 1023 909 1007 867 Total 2124 1997 2136 2155 1952 2125 1768
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,125 | 0,042 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».