論文の概要: Unique Class Group Based Multi-Label Balancing Optimizer for Action Unit Detection

• arxiv url: http://arxiv.org/abs/2003.08751v1
• Date: Thu, 5 Mar 2020 15:34:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-26 07:10:23.818298
• Title: Unique Class Group Based Multi-Label Balancing Optimizer for Action Unit Detection
• Title（参考訳）: 行動単位検出のための一意クラス群に基づくマルチラベルバランスオプティマイザ
• Authors: Ines Rieger, Jaspar Pahl and Dominik Seuss
• Abstract要約: バランスの最適化と拡張によって,アクションユニットの検出が向上することを示す。 我々はABAW(Affective Behavior Analysis in-the-wild)課題の3位にランクインした。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Balancing methods for single-label data cannot be applied to multi-label problems as they would also resample the samples with high occurrences. We propose to reformulate this problem as an optimization problem in order to balance multi-label data. We apply this balancing algorithm to training datasets for detecting isolated facial movements, so-called Action Units. Several Action Units can describe combined emotions or physical states such as pain. As datasets in this area are limited and mostly imbalanced, we show how optimized balancing and then augmentation can improve Action Unit detection. At the IEEE Conference on Face and Gesture Recognition 2020, we ranked third in the Affective Behavior Analysis in-the-wild (ABAW) challenge for the Action Unit detection task.
• Abstract（参考訳）: シングルラベルデータのバランシング手法は、高い頻度でサンプルを再サンプリングするので、マルチラベル問題には適用できない。 マルチラベルデータのバランスをとるために最適化問題としてこの問題を再検討する。 このバランスアルゴリズムをトレーニングデータセットに適用して、孤立した顔の動き、いわゆるアクションユニットを検出する。 いくつかのアクションユニットは、痛みのような複合的な感情や物理的状態を記述することができる。 この領域のデータセットは限定的で、ほとんどバランスがとれないため、バランシングの最適化と拡張がアクションユニットの検出をいかに改善できるかを示します。 IEEE Conference on Face and Gesture Recognition 2020において、我々はABAW(Affective Behavior Analysis in-the-wild)課題の3位にランクインした。

関連論文リスト

• A Similarity-Based Oversampling Method for Multi-label Imbalanced Text Data [1.799933345199395]
  本研究では,マルチラベルテキスト分類のための新しいオーバーサンプリング手法を紹介し,検討する。 提案手法は,インスタンス間の類似度を利用してラベル付けされていないデータから潜在的に新しいサンプルを同定する。 ラベルなしのデータセットを反復検索することで、未表現のクラスに類似したインスタンスを探索する。 パフォーマンス改善を示すインスタンスがラベル付きデータセットに追加される。
  論文  参考訳（メタデータ） (2024-11-01T20:33:49Z)
• Tackling Diverse Minorities in Imbalanced Classification [80.78227787608714]
  不均衡データセットは、様々な現実世界のアプリケーションで一般的に見られ、分類器の訓練において重要な課題が提示されている。 マイノリティクラスとマイノリティクラスの両方のデータサンプルを混合することにより、反復的に合成サンプルを生成することを提案する。 提案するフレームワークの有効性を,7つの公開ベンチマークデータセットを用いて広範な実験により実証する。
  論文  参考訳（メタデータ） (2023-08-28T18:48:34Z)
• Rethinking Clustering-Based Pseudo-Labeling for Unsupervised Meta-Learning [146.11600461034746]
  教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。 このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。 このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
  論文  参考訳（メタデータ） (2022-09-27T19:04:36Z)
• Active Learning by Feature Mixing [52.16150629234465]
  本稿では,ALFA-Mixと呼ばれるバッチ能動学習手法を提案する。 予測の不整合を求めることにより,不整合な特徴を持つインスタンスを同定する。 これらの予測の不整合は、モデルが未認識のインスタンスで認識できない特徴を発見するのに役立ちます。
  論文  参考訳（メタデータ） (2022-03-14T12:20:54Z)
• A Lagrangian Duality Approach to Active Learning [119.36233726867992]
  トレーニングデータのサブセットのみをラベル付けするバッチアクティブな学習問題を考察する。 制約付き最適化を用いて学習問題を定式化し、各制約はラベル付きサンプルにモデルの性能を拘束する。 数値実験により,提案手法は最先端の能動学習法と同等かそれ以上に機能することを示した。
  論文  参考訳（メタデータ） (2022-02-08T19:18:49Z)
• Feature Diversity Learning with Sample Dropout for Unsupervised Domain Adaptive Person Re-identification [0.0]
  本稿では,ノイズの多い擬似ラベルを限定することで,より優れた一般化能力を持つ特徴表現を学習する手法を提案する。 我々は,古典的な相互学習アーキテクチャの下で,FDL(Feature Diversity Learning)と呼ばれる新しい手法を提案する。 実験の結果,提案するFDL-SDは,複数のベンチマークデータセット上での最先端性能を実現することがわかった。
  論文  参考訳（メタデータ） (2022-01-25T10:10:48Z)
• Reliable Shot Identification for Complex Event Detection via Visual-Semantic Embedding [72.9370352430965]
  本稿では,映像中の事象検出のための視覚的意味的誘導損失法を提案する。 カリキュラム学習に動機付け,高い信頼性の事例で分類器の訓練を開始するために,負の弾性正規化項を導入する。 提案する非ネット正規化問題の解法として,代替最適化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-10-12T11:46:56Z)
• Multi-label Learning with Missing Values using Combined Facial Action Unit Datasets [0.0]
  顔のアクションユニットは、人間の顔の感情を記述するのに使用できる顔のマイクロムーブメントの客観的で標準化された記述を可能にする。 アクションユニットのデータアノテートは高価で時間を要する作業であり、データ状況の不足につながる。 本稿では,欠落ラベルの存在下で学習可能なデータベースとアルゴリズムを組み合わせるためのアプローチを提案する。
  論文  参考訳（メタデータ） (2020-08-17T11:58:06Z)
• AutoAssign: Differentiable Label Assignment for Dense Object Detection [94.24431503373884]
  Auto COCOは、物体検出のためのアンカーフリー検出器である。 外観認識は、完全に微分可能な重み付け機構によって実現される。 我々の最良のモデルでは52.1%のAPが達成され、既存の1段検出器よりも優れている。
  論文  参考訳（メタデータ） (2020-07-07T14:32:21Z)
• Multi-Label Class Balancing Algorithm for Action Unit Detection [0.0]
  分離された顔の動き、いわゆるアクションユニットは、複合的な感情や痛みのような物理的状態を記述することができる。 この提出は、IEEE Conference on Face and Gesture Recognition 2020において、ABAW(Affective Behavior Analysis in-the-Wild)チャレンジの対象となっている。
  論文  参考訳（メタデータ） (2020-02-08T21:56:28Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。