एआई, व्यावहारिक पाठ्यक्रम। चित्रों का संग्रह और अनुसंधान

यह लेख एक स्लाइड शो के साथ एक संगीत परियोजना में छवि डेटा एकत्र करने के लिए उपयोग किए जाने वाले तरीकों पर चर्चा करता है। ऐसी सीमाएँ थीं जो हमें फ़्लिकर से ली गई छवियों के बजाय छवियों के मौजूदा डेटाबेस का उपयोग करने के लिए मजबूर करती थीं। हालांकि, यह लेख दोनों दृष्टिकोणों पर चर्चा करता है ताकि पाठक सीख सकें कि फ्लिकर एपीआई का उपयोग करके डेटा कैसे निकाला जाए।

इसके अलावा, चूंकि फ़्लिकर के साथ एकत्र किए गए चित्रों के एक महत्वपूर्ण हिस्से की गुणवत्ता कम थी, इसलिए मौजूदा छवि डेटाबेस से छवियों का उपयोग करने का निर्णय लिया गया था। विशेष रूप से, मनोवैज्ञानिक अनुसंधान के लिए तीन डेटाबेस से चित्र एकत्र किए गए थे।

याद रखें कि शुरू में इस परियोजना के लिए निम्नलिखित डेटा सेट चुने गए थे:

1. एक भावुक निष्कर्षण एल्गोरिथ्म के लिए फ़्लिकर से 7000 भावनात्मक रूप से रंगीन छवियों वाला प्रशिक्षण डेटासेट।
2. माधुर्य पूर्ण एल्गोरिथ्म के लिए बाख के कार्यों से युक्त एक प्रशिक्षण डेटासेट।
3. धुनों का एक सेट जो भावनाओं को संशोधित करने के लिए टेम्पलेट्स के रूप में काम करता है।

अब आपको डेटा सेट एकत्र करने की आवश्यकता है। जैसा कि लेख में दिखाया जाएगा, इसके लिए आवश्यक कार्य की मात्रा चयनित डेटा सेट के आधार पर काफी भिन्न होती है।

छवि पर कब्जा

इस परियोजना को सात अलग-अलग भावनाओं को पैदा करने वाली छवियों के एक सेट की आवश्यकता थी: खुशी, उदासी, भय, चिंता, भय, दृढ़ संकल्प, क्रोध। छवियों के संग्रह के लिए, एक लोकप्रिय फोटो-साझाकरण साइट फ़्लिकर का उपयोग करने का निर्णय लिया गया था, इसके आकार और क्रिएटिव कॉमन्स से लाइसेंस के कारण *।

7000 छवियों के लिए मैन्युअल रूप से फ़्लिकर की खोज करना एक कठिन काम है। सौभाग्य से, फ़्लिकर के पास एक एपीआई है जो कई तरीकों को प्रदान करता है जो फ़्लिकर के साथ प्रोग्रामिंग भाषा में डेटा का आदान-प्रदान करना आसान बनाता है। हालांकि, छवियों को इकट्ठा करने के लिए एपीआई का उपयोग करने से पहले, यह जानना महत्वपूर्ण है कि प्रासंगिक भावनाओं को प्रकट करने के लिए क्या देखना है। खोज शब्दों की सूची निर्धारित करने के लिए, अमेज़न मैकेनिकल तुर्क * प्लेटफ़ॉर्म पर एक कार्य का उपयोग किया गया था।

फ़्लिकर एपीआई

फ़्लिकर एपीआई द्वारा दी गई विधियों का उपयोग करने के लिए, आपको फ़्लिकर खाता बनाना होगा और एपीआई कुंजी का अनुरोध करना होगा। ऐसा करने के लिए, आपके पास फ़्लिकर या याहू! * खाता होना चाहिए। अगला, आपको इस लिंक का पालन करना और कुंजी प्राप्त करना होगा।


Www.flickr.com/services/apps/create/apply का स्क्रीनशॉट

एक गैर-वाणिज्यिक कुंजी के लिए एक आवेदन प्रसंस्करण की प्रक्रिया काफी सरल है। इसमें इच्छित उपयोग और उपयोग की शर्तों की स्वीकृति का विवरण शामिल है। एपीआई कुंजी एक सुरक्षा उपाय है और इसका उपयोग एपीआई के दुरुपयोग को रोकने के लिए किया जाता है। एपीआई द्वारा प्रदान की गई विधियों में, यह एक आवश्यक पैरामीटर है।

एपीआई कुंजी प्राप्त करने के बाद, आप ऐप गार्डन से प्रोग्रामिंग भाषाओं में से एक के लिए एपीआई टूलकिट डाउनलोड और इंस्टॉल कर सकते हैं। यह परियोजना Beej के PythonI Flickr API का उपयोग करती है , जिसका उपयोग Python 3 भाषा के साथ किया जा सकता है। आपको Flickr API इंस्टॉलेशन गाइड का पालन करना चाहिए।

छवियों को डाउनलोड करने के लिए उपयोग किया जाने वाला कोड नीचे दिखाया गया है। मूल रूप से, एपीआई वॉक फंक्शन का उपयोग यहां किया जाता है, जो टैग द्वारा छवि की खोज करता है। टैग को एक .txt फ़ाइल में संग्रहीत किया जाता है और प्रति पंक्ति एक सूचीबद्ध किया जाता है। यदि कोई चित्र पाया जाता है, तो उसका URL टेम्पलेट {फार्म-आईडी} .staticflickr.com / {सर्वर-आईडी} / {आईडी} _ {गुप्त} .jpg पर बनाया जाता है , जहां घुंघराले ब्रेसिज़ की सामग्री को छवि विशेषताओं के साथ बदल दिया जाता है। फिर, प्रत्येक टैग (प्रासंगिकता के आधार पर छांटे गए) के लिए शीर्ष 30 चित्र भावनाओं और खोज स्थितियों के आधार पर फ़ोल्डर्स में निकाले और व्यवस्थित किए जाते हैं।

import flickrapi import urllib.request import os project_path = '/path/to/your/project' photos_per_tag = 30 filenames = ['Awe.txt', 'Happiness.txt', 'Fear.txt', 'Determination.txt', 'Anxiety.txt', 'Tranquility.txt', 'Sadness.txt'] def download_files(flickr, t, category, num_photos): # Downloads the files of a specific tag os.mkdir(t) os.chdir(t) s = [] for photo in flickr.walk(tag_mode='all', sort='relevance', tags=t, license=4, per_page=50): url = 'https://farm{}.staticflickr.com/{}/{}_{}.jpg'.format(photo.get('farm'), photo.get('server'), photo.get('id'), photo.get('secret')) s.append(url) if len(s) == num_photos: break for i in range(len(s)): filename = '{}_{}_{}.jpg'.format(category, t, str(i)) urllib.request.urlretrieve(s[i], filename) os.chdir(os.path.join(project_path, category)) if __name__ == '__main__': # Creates flickr object # These keys should be requested from flickr api_key = u'xxxxxxxxxxxx' api_secret = u'xxxxxxxxxxx' flickr = flickrapi.FlickrAPI(api_key, api_secret) # Runs the program, cycles through the emotions and downloads the images for each tag. os.chdir(project_path) for fname in filenames: categ = fname[:-4] with open(fname, 'r') as f: tags = f.read().splitlines() os.mkdir(categ) os.chdir(categ) for t in tags: download_files(flickr, t, categ, photos_per_tag) os.chdir(project_path) 

इस कोड का उपयोग करने के लिए, आपको GitHub के लिंक का उपयोग करके रिपॉजिटरी को क्लोन करना होगा। उसके बाद, README फ़ाइल में दिए गए निर्देशों का पालन करें। आपको Flickr पर प्राप्त API कुंजियों के साथ api_key और api_secret मापदंडों को बदलना होगा। जैसा कि ऊपर उल्लेख किया गया है, यह स्क्रिप्ट केवल पायथन 3 पर काम करती है।

प्रोग्राम चलने के बाद, फ़ोल्डर इस तरह दिखता है:




फ़्लिकर पर खोज परिणामों से डेटा का एक सेट।

कुल मिलाकर, लगभग 8800 चित्र एकत्र किए गए थे। आवश्यकता से अधिक छवियां प्राप्त हुईं, क्योंकि हमने कुछ निम्न-गुणवत्ता वाली छवियों को त्यागने की योजना बनाई थी जिनका उपयोग नहीं किया जा सकता है। अगला कदम इन छवियों की खोज करना था।

छवि चयन

एकत्रित छवियों की गुणवत्ता अलग थी। कुछ खोज स्थितियां, उदाहरण के लिए, फूल (चित्र में दिखाए गए) ने उपयोग करने योग्य उच्च-गुणवत्ता वाली छवियां दीं। हालांकि, कम विशिष्ट खोज की स्थिति अक्सर पूरी तरह से अनुपयोगी छवियों की उपज होती है। उदाहरण के लिए, एक अद्भुत महिला के साथ एक केक की एक छवि चमत्कार टैग (खौफ की भावना के कारण) से प्राप्त की गई थी, और महत्वाकांक्षी टैग (दृढ़ संकल्प की भावना के कारण) से महत्वाकांक्षी फार्म से गोभी की एक छवि पाई गई थी।


अनुपयुक्त चित्र।

छवियों के लिए खोज करने के लिए फ़्लिकर एपीआई का उपयोग करने की योजना बनाने वाले किसी व्यक्ति को खोज शब्दों के रूप में विशिष्ट संज्ञाओं का उपयोग करने के लिए प्रोत्साहित किया जाता है। उनसे मिली छवियां विशेषण या अमूर्त संज्ञाओं का उपयोग करने से बहुत बेहतर हैं। उदाहरण के लिए, खौफ की छवियों की खोज करते समय, आपको खौफ या चमत्कार के बजाय समुद्र या ग्रैंड कैनियन जैसे खोज शब्दों का उपयोग करना चाहिए।

छवियों को देखने के बाद, टीम ने निष्कर्ष निकाला कि 40 प्रतिशत से अधिक छवियां अनुपयोगी थीं। नतीजतन, डेटा सेट का चयन करने के लिए दृष्टिकोण को संशोधित किया गया था। प्रासंगिक भावनाओं के साथ सामना करने के लिए छवियों के सेट को सीमित करने जैसी कई संभावनाओं पर चर्चा करने के बाद, मौजूदा डेटाबेस से छवियों का उपयोग करने का निर्णय लिया गया जो आमतौर पर मनोवैज्ञानिक अनुसंधान (जिनेवा अफेक्टिव पिक्चरुरे डेटाबेस ( GAPED ), ओपन अफोर्डेबल स्टेंडर्ड इमेज सेट ( OASIS ) और इमेज में उपयोग किए जाते हैं। स्टिमुली फॉर इमोशन एलिसिटेशन ( ISEE ))।

इस तथ्य के बावजूद कि मौजूदा डेटाबेस में छवियां कम विविध हैं, क्योंकि वे नए डेटा सेट में हो सकते हैं, विकल्प उच्च छवि गुणवत्ता और मापदंडों के बारे में जानकारी की उपलब्धता के कारण मौजूदा डेटाबेस के पक्ष में बनाया गया था। मापदंडों के बारे में जानकारी होना एक बहुत बड़ा लाभ है, क्योंकि इससे अमेज़ॅन मैकेनिकल तुर्क का उपयोग करते हुए एनोटेशन की आवश्यकता समाप्त हो जाती है, जिससे लागत में काफी कमी आती है।

डेटा स्रोत

नए डेटासेट के लिए डेटा संग्रह प्रक्रिया बहुत सरल थी। विशेष रूप से, अमेज़ॅन मैकेनिकल तुर्क और फ़्लिकर एपीआई के साथ कदम की आवश्यकता नहीं थी। GAPED और OASIS डेटासेट (पैरामीटर मार्कअप सहित) इंटरनेट पर डाउनलोड के लिए उपलब्ध हैं। ISEE डाटासेट लेखक के लिए एक ईमेल के बाद उपलब्ध हो गया है जो एक्सेस के लिए पूछ रहा है। यदि डेटासेट डाउनलोड करने के निर्देशों को अच्छी तरह से समझा नहीं गया है, तो सबसे अधिक संभावना है, एक Google खोज * आपको उन लेखकों के संपर्कों को खोजने में मदद करेगी जो सीधे डेटासेट तक पहुंच का अनुरोध कर सकते हैं।

इस परियोजना के लिए दो डेटा सेट बनाए गए थे। पहला फ़्लिकर एपीआई का उपयोग भावनाओं के टैग का उपयोग करके छवियों को लोड करने के लिए किया जाता है, दूसरा मनोवैज्ञानिक अनुसंधान में उपयोग किए जाने वाले मौजूदा डेटाबेस का संकलन था। इनमें से प्रत्येक डेटा सेट में इसके पेशेवरों और विपक्ष हैं; हालाँकि, दूसरे को परियोजना के लिए चुना गया था - छवि गुणवत्ता, लेबल किए गए मापदंडों और लागत की उपस्थिति जैसे लाभों के लिए धन्यवाद।

डेटा एकत्र करने के लिए उपयोग की जाने वाली विधि सीधे इस बात पर निर्भर करती है कि डेटा की आवश्यकता क्या है हालांकि, इस आलेख में वर्णित प्रक्रियाएं और विधियां कई परियोजनाओं के लिए उपयोगी होने की संभावना है।

अब जब डेटा सेट बनाए जाते हैं, तो परियोजना निम्न चरणों का पालन करने के लिए तैयार है - अनुसंधान और प्रारंभिक डेटा प्रसंस्करण।

छवि डेटा अन्वेषण

चूंकि फ़्लिकर के साथ एकत्रित छवियों के एक महत्वपूर्ण हिस्से की गुणवत्ता कम थी, इसलिए मौजूदा छवि डेटाबेस से छवियों का उपयोग करने का निर्णय लिया गया था। विशेष रूप से, मनोवैज्ञानिक अनुसंधान के लिए तीन डेटाबेस से चित्र एकत्र किए गए थे। प्रत्येक छवि में कई कलाकारों से एकत्र (अन) सुखदता और तीव्रता के लिए रेटिंग जानकारी शामिल है। इन डेटाबेस से 1986 की छवियों को 4 श्रेणियों में विभाजित किया गया था। इन श्रेणियों में 87% छवियां शामिल थीं और इसमें 34% जानवर, 28% लोग, 13% दृश्य और 12% वस्तुएं शामिल थीं। शेष 13% को विविध के रूप में वर्गीकृत किया गया था।

जानवरों

"पशु" श्रेणी से छवियों के उदाहरण

लगभग एक तिहाई छवियों में जानवर हैं - या तो अलग-अलग या अन्य जानवरों के साथ, जैसा कि ऊपर दिखाया गया है। इन उदाहरणों में, बाएं से दाएं जाने पर, सुखदता की रेटिंग बढ़ जाती है। अपने शिकार और तिलचट्टे खाने वाली हाइना की अप्रिय छवियां इस तरह की भावनाओं के रूप में प्रतिक्रिया का कारण बन सकती हैं: भय, उदासी और घृणा।

दाईं ओर की छवियां - एक सोती हुई बिल्ली, एक मुस्कुराता हुआ कुत्ता - इसके विपरीत, सहानुभूति और खुशी का कारण बन सकता है।

लोग

लोग श्रेणी से नमूना चित्र

छवियों के लोग श्रेणी में व्यक्तियों और लोगों के समूहों की छवियां शामिल हैं, जबकि लोगों के समूहों की छवियों में अक्सर अधिक प्रासंगिक जानकारी होती है। उदाहरण के लिए, मार्चिंग बैंड की छवि एक प्रशंसक से भरे स्टेडियम की पृष्ठभूमि के खिलाफ शूट की गई प्रतीत होती है, यह सुझाव देती है कि खेल के दौरान छवि को एक प्रदर्शन में शूट किया गया है। एक गुस्से वाली महिला की छवि, इसके विपरीत, संदर्भ से वंचित है - दर्शक को उसके क्रोध का कारण जानने या अनुमान लगाने का अवसर नहीं है। यह ध्यान दिया जाना चाहिए कि कई लोगों के साथ या समूहों के साथ सभी छवियों में अतिरिक्त जानकारी नहीं है।

उदाहरण के लिए, दिखाई देने वाले घावों और खून से सने कपड़ों में फर्श पर एक पंक्ति में लेटे हुए पुरुषों की छवि इस बात का अंदाजा नहीं देती कि क्या हो रहा है। फिर भी, जानकारी की इतनी कमी के साथ, लोगों के साथ चित्र विभिन्न भावनात्मक प्रतिक्रियाओं का कारण बनते हैं।

दृश्यों

छवियों के एक सेट की "दृश्य" श्रेणी में विभिन्न प्रकार के दृश्य शामिल हैं - मानव निर्मित संरचनाओं और वस्तुओं से लेकर प्रकृति और यहां तक ​​कि अंतरिक्ष के दृश्य।


दृश्यों की श्रेणी से नमूना छवियाँ

वस्तुएं

ऑब्जेक्ट श्रेणी से नमूना चित्र

छवि सेट की "ऑब्जेक्ट" श्रेणी में एक ऑब्जेक्ट पर केंद्रित छवियां शामिल हैं, जैसा कि ऊपर दिए गए उदाहरणों में दिखाया गया है। इन छवियों में स्थितिजन्य संदर्भ नहीं है, खासकर जब छवि सेट में अन्य श्रेणियों के साथ तुलना की जाती है।

अनेक वस्तुओं का संग्रह

विविध श्रेणी से छवियों के उदाहरण

अंत में, छवियों का एक सबसेट सेट में बना रहा जिसे चार श्रेणियों में से किसी को भी नहीं सौंपा जा सकता था। अक्सर, जैसा कि उदाहरणों में दिखाया गया है, ये चित्र कई वस्तुओं के साथ थे, लेकिन दृश्य श्रेणी के चित्रों के संदर्भ के बिना। इस प्रकार की छवि, एक नियम के रूप में, एक तटस्थ रेटिंग थी - वे न तो सुखद थे और न ही अप्रिय।

छवि डेटाबेस के लिए भावना श्रेणियाँ

छवि डेटाबेस के लिए भावनाओं की श्रेणियों की पहचान करने के लिए, हम जिनेवा अफेक्टिव पिक्टुरे डेटाबेस (जीएपीईडी) और ओपन अफेक्टिव मानकीकृत छवि सेट (ओएएसआईएस) में प्रत्येक छवि के साथ मानक व्यक्तिपरक महत्व रेटिंग पर भरोसा करते हैं। चूँकि GAPED ने 0 से 100 तक लीकेटर स्केल का उपयोग किया है, और OASIS ने 1 से 7 तक लीकेटर स्केल का उपयोग किया है, एक रेखीय परिवर्तन लागू किया गया था जो सभी रेटिंग को 0 से 100 तक एक निरंतर पैमाने पर लाया। तब भावनाओं को वर्गीकृत करने के दो संभावित नियमों की जांच की गई थी।

सबसे पहले, यह सहजता के स्तर के अनुसार छवियों को क्रमबद्ध करने के लिए सहज रूप से वांछनीय है, इसके बाद उन्हें रेटिंग स्केल के अनुसार तीन भागों में विभाजित किया गया है, ताकि रेटिंग 0–33.33 के साथ छवियां नकारात्मक श्रेणी का प्रतिनिधित्व करें, रेटिंग 33.33-66-7 तटस्थ के साथ, और रेटिंग के साथ 66.67–100 - एक सकारात्मक श्रेणी। तीन श्रेणियों में विभाजित करने के इस नियम को लागू करने के लिए, पायथन कोड का उपयोग किया गया था:

 import os import shutil import csv def organizeFolderGAPED(original, pos, neg, neut): #      GAPED    #        dict = {} files = os.listdir(original) for file in files: if '.txt' in file: with open(os.path.join(original, file), 'r') as f: for l in f: l = l.split() dict[l[0][:-4]] = l[1] #        pos/neg/neut      for roots, dirs, files, in os.walk(original): for file in files: if '.bmp' in file: if float(dict[file[:-4]]) < 100/3: shutil.copy(os.path.join(roots, file), neg) elif float(dict[file[:-4]]) > 200/3: shutil.copy(os.path.join(roots, file), pos) else: shutil.copy(os.path.join(roots, file), neut) def organizeFolderOASIS(original, pos, neg, neut): #      GAPED    #        dict = {} with open('/Users/harrys/Desktop/OASIS.csv') as file: reader = csv.reader(file) for row in reader: dict[row[1]] = row[4] #        pos/neg/neut       for roots, dirs, files, in os.walk(original): for file in files: if '.jpg' in file: if (float(dict[file[:-4]])-1)*100/6 < 100/3: shutil.copy(os.path.join(roots, file), neg) elif (float(dict[file[:-4]])-1)*100/6 > 200/3: shutil.copy(os.path.join(roots, file), pos) else: shutil.copy(os.path.join(roots, file), neut) if __name__ == '__main__' : gaped = 'path/to/your/project/directory/GAPED' oasis = 'path/to/your/project/directory/Oasis' pos = 'path/to/your/project/directory/Positive' neg = 'path/to/your/project/directory/Negative' neut = 'path/to/your/project/directory/Neutral' organizeFolderOASIS(oasis, pos, neg, neut) organizeFolderGAPED(gaped, pos, neg, neut) 

इस दृष्टिकोण ने हमें डेटाबेस को श्रेणियों में विभाजित करने की अनुमति दी: 417 नकारात्मक चित्र, 774 तटस्थ और 442 सकारात्मक। इस दृष्टिकोण में, अप्रिय छवियों के समान अनुपात में तीन श्रेणियों में विभाजित करना, जिसकी रेटिंग थ्रेशोल्ड मान तक नहीं पहुंची थी, को तटस्थ के रूप में वर्गीकृत किया गया था; उदाहरण के लिए, एक मृत शरीर, एक रोते हुए बच्चे, कब्रिस्तान की तस्वीरें तटस्थ के रूप में वर्गीकृत की गई थीं। हालांकि ये चित्र नकारात्मक श्रेणी के अन्य लोगों की तुलना में कम अप्रिय थे, लेकिन उनकी तटस्थता के बारे में संदेह पैदा हुआ।

इसलिए, डेटा के सामान्य वितरण के आधार पर एक अनुकूलित वर्गीकरण नियम लागू करने का निर्णय लिया गया, साथ ही साथ भावनात्मक श्रेणियों में मापदंडों के अलगाव में सुधार किया गया। मान ०-३९ को नकारात्मक श्रेणी, ४०-६० को तटस्थ श्रेणी और ६१-१०० को सकारात्मक श्रेणी में सौंपा गया। इस नियम को लागू करने के लिए, पायथन कोड का उपयोग किया गया था:

 import os import shutil import csv def organizeFolderGAPED(original, pos, neg, neut): #      GAPED    #        dict = {} files = os.listdir(original) for file in files: if '.txt' in file: with open(os.path.join(original, file), 'r') as f: for l in f: l = l.split() dict[l[0][:-4]] = l[1] #        pos/neg/neut      for roots, dirs, files, in os.walk(original): for file in files: if '.bmp' in file: if float(dict[file[:-4]]) < 40: shutil.copy(os.path.join(roots, file), neg) elif float(dict[file[:-4]]) > 60: shutil.copy(os.path.join(roots, file), pos) else: shutil.copy(os.path.join(roots, file), neut) def organizeFolderOASIS(original, pos, neg, neut): #      GAPED    #        dict = {} with open('path/to/your/project/directory/OASIS.csv') as file: reader = csv.reader(file) for row in reader: dict[row[1]] = row[4] #        pos/neg/neut       for roots, dirs, files, in os.walk(original): for file in files: if '.jpg' in file: if (float(dict[file[:-4]])-1)*100/6 < 40: shutil.copy(os.path.join(roots, file), neg) elif (float(dict[file[:-4]])-1)*100/6 > 60: shutil.copy(os.path.join(roots, file), pos) else: shutil.copy(os.path.join(roots, file), neut) if __name__ == '__main__' : gaped = 'path/to/your/project/directory/GAPED' oasis = 'path/to/your/project/directory/Oasis' pos = 'path/to/your/project/directory/Positive' neg = 'path/to/your/project/directory/Negative' neut = 'path/to/your/project/directory/Neutral' organizeFolderOASIS(oasis, pos, neg, neut) organizeFolderGAPED(gaped, pos, neg, neut) 

इस वर्गीकरण नियम के साथ, 40–40–5 567 सकारात्मक चित्रों को 502 तटस्थ से अधिक सुखद के रूप में रेट किया गया था, और 564 नकारात्मक छवियों को तटस्थ से कम सुखद माना गया था। इस प्रकार, भावनात्मक श्रेणियों का लक्ष्य मूल्य बनाए रखा गया था और श्रेणी के आधार पर छवियों के वितरण में सुधार किया गया था। नीचे दी गई आकृति प्रत्येक श्रेणी से जुड़ी सुखदता के स्तर को दर्शाती है। फैलाव आरेख पर मूंछों की अलग-अलग लंबाई इंगित करती है कि भावनात्मक श्रेणी (सकारात्मक या नकारात्मक) में तटस्थ श्रेणी की तुलना में रेटिंग की एक बड़ी रेंज है।


प्रत्येक भावुक श्रेणियों के लिए औसत सुखद रेटिंग

हम यह निष्कर्ष निकालते हैं कि यह वर्गीकरण नियम भावनाओं के आधार पर छवियों को वर्गीकृत करने के लिए पर्याप्त है। छवि डेटाबेस मापदंडों की श्रेणियों के बारे में, भावनात्मक श्रेणियों में से प्रत्येक का प्रतिनिधित्व करने वाले चित्र नीचे दिखाए गए हैं। यह ध्यान दिया जाना चाहिए कि प्रत्येक श्रेणी (जानवरों, लोगों, दृश्यों, वस्तुओं, विविध) के प्रत्येक श्रेणी को भावनात्मक श्रेणियों में दर्शाया गया है।

भावनात्मक श्रेणी 1: नकारात्मक

भावनात्मक श्रेणी 2: तटस्थ

भावनात्मक श्रेणी 3: सकारात्मक

संक्षेप में देना। हमने छवि डेटाबेस को तटस्थ, नकारात्मक और सकारात्मक भावनात्मक श्रेणियों में विभाजित किया है, जो 0 से 100 तक के मानदंडों को महत्व देते हुए 0 से 100 तक नकारात्मक, 40-60 से तटस्थ, और 61-100 से सकारात्मक को असाइन करते हैं। इन भावनात्मक श्रेणियों में छवियों को उचित रूप से वितरित किया गया था। अंत में, प्रत्येक भावनात्मक श्रेणी में जानवरों, लोगों, दृश्यों, वस्तुओं और अन्य की छवियां शामिल थीं।