Diese Masterarbeit befasst sich mit der Entwicklung einer automatischen Annotierungsmethode zur Analyse von Verhaltensinteraktionen. Aktuell werden Verhaltensinteraktionen in der Psychologie von Experten anhand bestimmter Verhaltensweisen annotiert, wobei Verfahren wie CIB und ICEP zur Anwendung kommen.

Ziel dieser Arbeit ist es, eine Methode zu entwickeln, die multimodale Signale aus Videoaufzeichnungen von Interaktionen nutzt, um automatische Annotationen zu erstellen. Hierbei sollen Korrelationen zwischen bestehenden Annotationsschemata und automatischen Verhaltenserkennungsmethoden mithilfe von maschinellem Lernen untersucht und bewertet werden.

Im speziellen Fokus stehen dabei Mutter-Kind-Interaktionen im Alter von 3 bis 9 Monaten. Die Masterarbeit bietet die Möglichkeit, fundierte Kenntnisse in den Bereichen maschinelles Lernen, automatisierte Annotation und Verhaltensanalyse zu erwerben.

In dieser Arbeit werden menschliche Emotionen mittels monokularer Bilder und 3D-Rekonstruktionen von Gesichtern erfasst. Die meisten dieser Methoden basieren auf Paul Ekmans Aktions-Einheit-Theorie. Ein besonderes Interesse liegt in der Gegenüberstellung unterschiedlicher Methoden, wie beispielsweise OpenFace und EMOCA, die Deep-Learning-Methoden zur Emotionsklassifikation einsetzen, und deren Auswirkungen zu bewerten.

Der Hauptfokus der Arbeit wird auf der Analyse von aufgezeichneten Video-Interaktionen liegen, die mit den vorgeschlagenen Methoden untersucht werden. Ziel ist es, die Effektivität und Genauigkeit dieser Techniken im Hinblick auf die Erkennung und Klassifikation menschlicher Emotionen zu bewerten und zu vergleichen.

Diese Arbeit bietet die Möglichkeit, fundierte Kenntnisse in den Bereichen Bildverarbeitung, 3D-Rekonstruktion, Emotionserkennung und Deep Learning zu erwerben.