Spelling suggestions: "subject:"temporal"" "subject:"temporala""
1 |
Emotional Distress, Pandemic COVID-19 Perceptions and Reactions in Samples of Swedish and Greek PopulationPapakosma, Maria January 2020 (has links)
The outbreak of the coronavirus pandemic has influenced in an unprecedented way society and human health on a global scale. Government policies and recommendations from health authorities across the world have been implemented in the effort to limit the spread of the disease. The aim of this study is to examine the relation of public perceptions on COVID19 with the adoption of behavioural actions focusing on the role of emotion and also to explore whether temporal perspectives regarding the coronavirus pandemic interact with emotional distress. Two sample from Greece (n = 85) and Sweden (n = 85) participated in a web survey. An online questionnaire was used to gather responses during a period of two weeks. Results indicated that the perception of emotion was related positively to infection management behaviour in Swedish and Greeks participants, while trust in authorities was found to be significant different in the two samples. When reflecting on the pandemic situation from a temporal point of view, both samples populations tend to focus more on their ideal future and less in the concrete impact of the pandemic situation. / Utbrottet av coronaviruspandemin har globalt påverkat samhällen och människors hälsa på ett aldrig tidigare skådat sätt. Regeringsbeslut och rekommendationer från hälsomyndigheter världen över har implementerats världen över i syfte att begränsa virusspridningen. Syftet med föreliggande studie är att undersöka sambandet mellan allmänhetens uppfattningar av covid-19 och beteendemönster med fokus på känslors roll och även undersöka eventuella samband mellan tidsperspektiv beträffande coronaviruspandemin och upplevelse av känslomässig nöd. Två populationer fokuseras i studien varav den ena representerar Grekland (n= 85) och den andra Sverige (n= 85). Respondenterna deltog i en webbenkät som fanns tillgänglig på internet under en tvåveckorsperiod. Resultaten visade ett positivt samband mellan känsloupplevelse och beteende för att hantera smittrisken såväl beträffande den svenska populationen som den grekiska. Förtroende för myndigheter skiljde sig däremot signifikant mellan populationerna. Sett i ett temporalt perspektiv verkar båda populationerna såtillvida att respondenterna fokuserade på en ideal framtid och mindre på den konkreta påverkan av pandemisituationen.
|
2 |
Den lyssnande åskådaren: Betydelsen av de fyra ljudelementens balans för framkallandet av känslor i ett audiovisuellt materialHallberg, Amelie January 2018 (has links)
Det finns en risk för att producenter av audiovisuellt material förringar betydelsen av den audiella delen till förmån för den visuella. Sonnenheim och Pauletto (2014) menar att det audiella materialet är av minst lika stor vikt som det visuella när det kommer till hur bra det audiovisuella materialet blir. De hävdar att det finns fyra ljudelement som måste vara i balans, det vill säga förekomma i ungefär samma utsträckning, för att materialet skall bli framgångsrikt. Dessa ljudelement är det logiska, abstrakta, temporala och spatiala. Syftet med denna uppsats är att utifrån en, hos den lyssnande åhörarens identifierade och väckta känsla, undersöka vilka ljud som väckte känslorna och vilka olika ljudelement som existerar i två scener av Netflixserien Dark. Vidare är syftet också att kartlägga om dessa var i balans. Sonneheim och Paulettos teori låg till grund för metoden och analysen av resultatet. Resultatet visade att specifika känslor väcktes och att ljudelementen i de två scenerna var i balans vilket delvis kan förklara varför serien blivit så populär hos Netflix-publiken. / There is a risk that producers of audiovisual material may neglect the importance of audial components in favor of the visual. Sonnenheim and Pauletto (2014) argue that the audial material is at least as important as the visual when it comes to how succesful the audiovisual material becomes. They claim that there are four sound elements that must be in balance for success to happen. These audio elements are the logical, abstract, temporal and spatial. The purpose of this paper was to investigate the sounds that evoked the emotions and the different sound elements that existed in two scenes of the Netflix series Dark, based on the experience of the listening viewer. Furthermore, the purpose was to determine whether these sound elements were in balance (in this case, occurring to the same extent in the scenes). Hillman and Pauletto's theory formed the basis of the method and the analysis of the results. The results showed that specific emotions were evoked and that the sound areas in the two scenes were in balance, which could partly explain why the series has become so popular with the Netflix-audience.
|
3 |
"Vi organiserar oss i ett kaos av spekulationer" : En studie om prospektivt meningsskapande där det finns en avsaknad av erfarenhet och målbildArvdahl, Petra, Boy, Emma January 2024 (has links)
Organisatoriska aktörer verkar skapa gemensam mening om framtida förändringar genom iterativt meningsskapande i en loop som innefattar tre steg, när de saknar erfarenhet samt där det finns en avsaknad av innehåll och målbild i den framtida förändringen. Genom att integrera iterativt och prospektivt förhållningssätt med empiriska bevis, har en modell kunnat utvecklas som ökar förståelsen för den meningsskapande process som sker i denna kontext. I stället för att splittra forskningen mot ett antingen subjektivt eller intersubjektivt synsätt, sammanfogar modellen dessa två synsätt och förklarar ut förhållandet mellan dem samt ligger till grund för förståelsen i hur de organisatoriska aktörerna växlar mellan synsätten för att skapa mening i denna kontext. Studien har på så sätt resulterat i en ökad förståelse inom menings- skapandeperspektivet samt en möjlig utveckling av prospektivt meningsskapande om framtida förändringar med ovisst innehåll där organisatoriska aktörer saknar erfarenhet.
|
4 |
Real-Time Video Super-Resolution : A Comparative Study of Interpolation and Deep Learning Approaches to Upsampling Real-Time Video / Realtids Superupplösning av Video : En Jämförelsestudie av Interpolerings- och Djupinlärningsmetoder för Uppsampling av RealtidsvideoBåvenstrand, Erik January 2021 (has links)
Super-resolution is a subfield of computer vision centered around upsampling low-resolution images to a corresponding high-resolution counterpart. This degree project investigates the suitability of a deep learning method for real-time video super-resolution. Following earlier work in the field, we use bicubic interpolation as a baseline for comparison. The deep learning method selected is specifically suited towards real-time super-resolution and consists of a motion compensation network and an upsampling network. The deep learning method and bicubic interpolation are compared by quantitatively evaluating the methods against each other in quality metrics and performance metrics. Suitable quality metrics are selected from earlier works to provide increased comparability of results, namely peak signal-to-noise ratio and structure similarity index. The performance metrics are: number of operations for a single upsampled frame, latency, throughput, and memory requirements. We apply the methods to a highly challenging publicly available dataset specifically engineered towards video super-resolution research. To further investigate the deep learning method, we propose a few modifications and study the effect on the metrics. Our findings show that the deep learning models outperform bicubic interpolation in the quality metrics, while bicubic interpolation outperformed the deep learning models in the performance metrics. We also find no significant quality metric improvement associated with having a motion compensation network for this dataset, suggesting that the dataset might be too complex for the motion compensation network. We conclude that the deep learning method exhibits real-time capabilities as the method has a throughput of around 500 frames per second for full HD super-resolution. Additionally, we show that by modifying the deep learning method, we achieve similar latency as bicubic interpolation without sacrificing throughput or quality. / Superupplösning är ett område inom datorseende centrerat kring att uppsampla lågupplösta bilder till högupplösta motsvarigheter. Detta examensarbete undersöker hur lämplig en specifik djupinlärningsmetod är för superupplösning i realtid. Enligt tidigare forskning använder vi oss av bikubisk interpolering som grund för jämförelse. Den valda djupinlärningsmetoden är speciellt anpassad till superupplösning i realtid och består av ett rörelsekompensationsnätverk och ett uppsamplingsnätverk. Djupainlärningsmetoden och interpoleringsmetoden jämförs genom att kvantitativt utvärdera metoderna mot varandra i kvalitetsmått och prestandamått. Lämpliga kvalitetsmått väljs från tidigare forskning för att ge ökad jämförbarhet mellan resultaten, nämligen maximalt signaltill- brusförhållande och strukturlikhetsindex. Prestandamätvärdena är: antal operationer för en uppsamplad bild, latens, genomströmning och minnesbehov. Vi utvärderar metoderna på ett utmanande allmänt tillgängligt dataset speciellt konstruerat för superupplösningsforskning inom video. För att ytterligare undersöka den djupa inlärningsmetoden föreslår vi några modifieringar och studerar effekten på mätvärdena. Våra resultat visar att djupinlärningsmodellerna överträffar bikubisk interpolering i kvalitetsmåtten, medan bikubisk interpolering överträffar djupinlärningsmodellerna i prestandamåtten. Vi finner inte heller någon signifikant kvalitetsmässig förbättring förknippad med att ha ett rörelsekompensationsnätverk för detta dataset, vilket kan betyda att datasetet är för komplext för rörelsekompensationnätverket. Vi drar slutsatsen att djupainlärningsmetoden uppvisar realtidsfunktioner eftersom metoden har en genomströmning på cirka 500 bilder per sekund för full HD superupplösning. Dessutom visar vi att genom att modifiera djupainlärningsmetoden uppnår vi liknande latens som bikubisk interpolering utan att offra genomströmning eller kvalitet.
|
5 |
Empirisk Modellering av Trafikflöden : En spatio-temporal prediktiv modellering av trafikflöden i Stockholms stad med hjälp av neurala nätverk / Empirical Modeling of Traffic Flow : A spatio-temporal prediction model of the traffic flow in Stockholm city using neural networksBjörkqvist, Niclas, Evestam, Viktor January 2024 (has links)
A better understanding of the traffic flow in a city helps to smooth transport resulting in a better street environment, affecting not only road users and people in proximity. Good predictions of the flow of traffic helps to control and further develop the road network in order to avoid congestion and unneccessary time spent while traveling. This study investigates three different machine learning models with the purpose of predicting traffic flow on different road types inurban Stockholm using loop sensor data between 2013 and 2023. The models used was Long short term memory (LSTM), Temporal convolutional network (TCN) and a hybrid model of LSTM and TCN. The results from the hybrid model indicates a slightly better mean absolute error than TCN suggesting that a hybrid model might be advantagous when predicting traffic flow using loop sensor data. LSTM struggled to capture the complexity of the data and was unable to provide a proper prediction as a result. TCN produced a mean absolute error slightly bigger than the hybrid model and was to an extent able to capture the trends of the traffic flow, but struggled with capturing the scale of the traffic flow suggesting the need for further data preprocessing. Furthermore, this study suggests that the loop sensor data was able to act as a foundation for predicting the traffic flow using machine learning methods. However, it suggest that improvements to the data itself such as incorporating more related parameters might be advantageous to further improve traffic flow prediction.
|
Page generated in 0.0576 seconds