有没有相关的论文或文献参考？
这个数据集是基于什么背景创建的？
数据集的作者是谁？
能帮我联系到这个数据集的作者吗？
这个数据集如何下载？
SAMM Long Videos|面部表情识别数据集|情感分析数据集
收藏arXiv2020-02-29 更新2024-06-21 收录
下载链接：
http://www2.docm.mmu.ac.uk/STAFF/M.Yap/dataset.php
下载链接
链接失效反馈资源简介：
SAMM Long Videos数据集是由曼彻斯特都会大学计算机与数学系创建，专注于自发面部微观和宏观表情的识别与检测。该数据集包含147个长视频，总计343个宏观表情和159个微观表情，采用FACS编码详细动作单元。数据集创建过程中，使用OpenFace工具进行面部对齐和动作单元检测，提高了数据处理的质量。该数据集主要应用于情感研究、行为心理学、安全及通信等领域，旨在解决面部微观和宏观表情识别的挑战。
提供机构：
曼彻斯特都会大学计算机与数学系
创建时间：
2019-11-05
AI搜集汇总
数据集介绍
构建方式
SAMM Long Videos 数据集的构建是基于 SAMM 微表情数据集的扩展，旨在满足对长视频中的微表情和宏表情识别与定位的需求。该数据集包含 147 个长视频，共标注了 343 个宏表情和 159 个微表情。所有视频均采用 FACScoding 方式进行标注，详细记录了每个表情单元（AUs）的动作。为了提高数据集的质量，研究人员使用 OpenFace 工具对视频进行了预处理，包括面部对齐和 AU 的检测。此外，他们还与 CAS(ME)2 数据集进行了比较，以评估 SAMM Long Videos 数据集的优越性。
使用方法
SAMM Long Videos 数据集的使用方法如下：1. 数据下载：可以从数据集的官方网站（http://www2.docm.mmu.ac.uk/STAFF/M.Yap/dataset.php）下载数据集及其标注文件；2. 数据预处理：使用 OpenFace 工具对视频进行预处理，包括面部对齐和 AU 的检测；3. 数据标注：根据 FACScoding 方式对视频中的微表情和宏表情进行标注；4. 数据分析：使用机器学习或深度学习算法对标注数据进行训练和测试，评估模型在微表情和宏表情识别与定位方面的性能。
背景与挑战
背景概述
在近年来面部微表情研究领域日益受到关注的背景下，对包含微表情和宏表情的长视频的需求持续增长。SAMM Long Videos数据集是在2016年发布的微表情数据集SAMM的基础上扩展而来，旨在为自发的微表情和宏表情识别与定位提供数据支持。该数据集由英国曼彻斯特都会大学计算与数学系的研究人员Chuin Hong Yap、Connah Kendrick和Moi Hoon Yap创建，包含147个长视频，其中包含343个宏表情和159个微表情。所有视频均经过FACS编码，并标注了详细的动作单元（AUs）。该数据集的发布为研究人员提供了宝贵的资源，有助于推动面部表情识别与定位技术的发展。
当前挑战
SAMM Long Videos数据集面临的挑战主要包括：1）领域问题挑战：在现实场景中，微表情和宏表情可能共存或独立发生，这使得同时识别和定位这两种表情成为一项挑战；2）构建过程中遇到的挑战：构建包含FACS编码的微表情和宏表情的长视频数据集是一项复杂的工作，需要精确的动作单元标注和视频预处理。此外，OpenFace工具在微表情检测方面表现不如宏表情检测，这表明需要进一步研究和改进微表情检测方法。
常用场景
经典使用场景
SAMM Long Videos数据集广泛应用于面部微表情和宏观表情的自动识别与定位。该数据集包含了丰富的表情变化，为研究者提供了宝贵的实验资源，有助于改进和验证面部表情识别算法。通过对面部运动单元的精确编码，该数据集支持了表情的细致分析，对于理解人类非言语交流的本质具有重要意义。
解决学术问题
SAMM Long Videos数据集解决了当前面部表情研究中缺乏长期视频数据集的问题。传统的面部表情数据集往往局限于短时间内的表情捕捉，而SAMM Long Videos则提供了更自然、更长时间的视频片段，使得研究者能够更全面地观察和分析微表情和宏观表情。此外，该数据集的详尽注释为表情的自动识别和定位提供了精确的基准，有助于提高算法的准确性和鲁棒性。
实际应用
SAMM Long Videos数据集在情感计算、行为心理学、安全监控和人际交流等领域具有广泛的应用前景。通过该数据集训练的模型可以用于识别和预测人类的情感状态，从而在智能人机交互、心理健康评估和安全性分析等领域发挥重要作用。例如，在安全监控系统中，通过分析个体的面部表情，可以及时发现异常行为，提高安全防范的效率。
数据集最近研究
最新研究方向
SAMM Long Videos 数据集的推出，标志着在面部微表情和宏表情识别与定位领域的一项重要进展。该数据集扩展了 SAMM 数据集，包含了更长的视频片段，涵盖了 343 个宏表情和 159 个微表情，并以 FACScoding 方式对详细的 Action Units (AUs) 进行了标注。这一数据集的出现，为研究者提供了宝贵的数据资源，有助于提高面部表情识别系统的准确性和鲁棒性。SAMM Long Videos 数据集与已有的 CAS(ME)2 数据集进行了比较，展示了其更高的分辨率、帧率和更丰富的表情标注。此外，使用 OpenFace 进行预处理和 AU 检测，并通过自定义算法实现了面部运动检测，进一步提高了数据集的质量和可用性。未来，SAMM Long Videos 数据集有望在情感计算、人类行为学、计算机视觉和机器学习等领域发挥重要作用。
相关研究论文
- 1SAMM Long Videos: A Spontaneous Facial Micro- and Macro-Expressions Dataset曼彻斯特都会大学计算机与数学系 · 2020年
以上内容由AI搜集并总结生成
数据主题
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集
中国食物成分数据库
食物成分数据比较准确而详细地描述农作物、水产类、畜禽肉类等人类赖以生存的基本食物的品质和营养成分含量。它是一个重要的我国公共卫生数据和营养信息资源，是提供人类基本需求和基本社会保障的先决条件；也是一个国家制定相关法规标准、实施有关营养政策、开展食品贸易和进行营养健康教育的基础，兼具学术、经济、社会等多种价值。 本数据集收录了基于2002年食物成分表的1506条食物的31项营养成分（含胆固醇）数据，657条食物的18种氨基酸数据、441条食物的32种脂肪酸数据、130条食物的碘数据、114条食物的大豆异黄酮数据。
国家人口健康科学数据中心 收录
LinkedIn Salary Insights Dataset
LinkedIn Salary Insights Dataset 提供了全球范围内的薪资数据，包括不同职位、行业、地理位置和经验水平的薪资信息。该数据集旨在帮助用户了解薪资趋势和市场行情，支持职业规划和薪资谈判。
www.linkedin.com 收录
AgiBot World
为了进一步推动通用具身智能领域研究进展，让高质量机器人数据触手可及，作为上海模塑申城语料普惠计划中的一份子，智元机器人携手上海人工智能实验室、国家地方共建人形机器人创新中心以及上海库帕思，重磅发布全球首个基于全域真实场景、全能硬件平台、全程质量把控的百万真机数据集开源项目 AgiBot World。这一里程碑式的开源项目，旨在构建国际领先的开源技术底座，标志着具身智能领域 「ImageNet 时刻」已到来。AgiBot World 是全球首个基于全域真实场景、全能硬件平台、全程质量把控的大规模机器人数据集。相比于 Google 开源的 Open X-Embodiment 数据集，AgiBot World 的长程数据规模高出 10 倍，场景范围覆盖面扩大 100 倍，数据质量从实验室级上升到工业级标准。AgiBot World 数据集收录了八十余种日常生活中的多样化技能，从抓取、放置、推、拉等基础操作，到搅拌、折叠、熨烫等精细长程、双臂协同复杂交互，几乎涵盖了日常生活所需的绝大多数动作需求。
github 收录
DALY
DALY数据集包含了全球疾病负担研究（Global Burden of Disease Study）中的伤残调整生命年（Disability-Adjusted Life Years, DALYs）数据。该数据集提供了不同国家和地区在不同年份的DALYs指标，用于衡量因疾病、伤害和早逝导致的健康损失。
ghdx.healthdata.org 收录
网易云音乐数据集
该数据集包含了网易云音乐平台上的歌手信息、歌曲信息和歌单信息，数据通过爬虫技术获取并整理成CSV格式，用于音乐数据挖掘和推荐系统构建。
github 收录