Fugu-MT 論文翻訳(概要): Discriminative Viewer Identification using Generative Models of Eye Gaze

論文の概要: Discriminative Viewer Identification using Generative Models of Eye Gaze

arxiv url: http://arxiv.org/abs/2003.11399v1
Date: Wed, 25 Mar 2020 13:33:18 GMT
ステータス: 処理完了
システム内更新日: 2022-12-20 02:47:19.801464
Title: Discriminative Viewer Identification using Generative Models of Eye Gaze
Title（参考訳）: 視線生成モデルを用いた識別的視聴者識別
Authors: Silvia Makowski, Lena A. J\"ager, Lisa Schwetlick, Hans Trukenbrod, Ralf Engbert, Tobias Scheffer
Abstract要約: 視線に基づく任意の画像の視聴者識別の問題について検討する。我々は、異なる眼球生成モデルからフィッシャー核を導出する。 FisherカーネルでSVMを使用すると、基礎となる生成モデルよりも分類性能が向上する。
参考スコア（独自算出の注目度）: 0.13701366534590495
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: We study the problem of identifying viewers of arbitrary images based on their eye gaze. Psychological research has derived generative stochastic models of eye movements. In order to exploit this background knowledge within a discriminatively trained classification model, we derive Fisher kernels from different generative models of eye gaze. Experimentally, we find that the performance of the classifier strongly depends on the underlying generative model. Using an SVM with Fisher kernel improves the classification performance over the underlying generative model.
Abstract（参考訳）: 任意の画像の視聴者を目視に基づいて識別する問題について検討する。心理学的研究は、眼球運動の生成確率モデルを生み出した。この背景知識を識別的に訓練された分類モデルで活用するために,fisher kernelを異なる視線生成モデルから導出する。実験により,分類器の性能は基礎となる生成モデルに強く依存していることがわかった。 FisherカーネルでSVMを使用すると、基礎となる生成モデルよりも分類性能が向上する。

関連論文リスト

Disentangled Generative Graph Representation Learning [51.59824683232925]
本稿では,自己教師型学習フレームワークであるDiGGR(Disentangled Generative Graph Representation Learning)を紹介する。潜伏要因を学習し、それをグラフマスクモデリングのガイドとして活用することを目的としている。 2つの異なるグラフ学習タスクのための11の公開データセットの実験は、DiGGRが従来よりも一貫して多くの自己教師付きメソッドを上回っていることを示している。
論文参考訳（メタデータ） (2024-08-24T05:13:02Z)
Bridging Generative and Discriminative Models for Unified Visual Perception with Diffusion Priors [56.82596340418697]
本稿では,豊富な生成前駆体を含む事前学習型安定拡散(SD)モデルと,階層的表現を統合可能な統一型ヘッド(Uヘッド)と,識別前駆体を提供する適応型専門家からなる,シンプルで効果的なフレームワークを提案する。包括的調査では、異なる時間ステップで潜伏変数に隠された知覚の粒度や様々なU-netステージなど、バーマスの潜在的な特性が明らかになった。有望な結果は,有望な学習者としての拡散モデルの可能性を示し,情報的かつ堅牢な視覚表現の確立にその意義を定めている。
論文参考訳（メタデータ） (2024-01-29T10:36:57Z)
Intriguing properties of generative classifiers [14.57861413242093]
我々は、テキストから画像へのモデルを分類器に変換する生成モデリングの進歩の上に構築する。 Imagenでは99%)、人間レベルのアウト・オブ・ディストリビューションの精度、人間の分類エラーと最先端のアライメントに近い、記録破りの人間のような形状バイアスを示しています。以上の結果から,人間の物体認識のモデル化のパラダイムは差別的推論であるが,ゼロショット生成モデルは人間の物体認識データを驚くほどよく近似していることが示唆された。
論文参考訳（メタデータ） (2023-09-28T18:19:40Z)
Diffusion Models Beat GANs on Image Classification [37.70821298392606]
拡散モデルは、画像生成、復調、塗装、超解像、操作などの最先端の手法として注目されている。本稿では,これらの埋め込みは識別情報を含むため,ノイズ予測タスクを超えて有用であり,分類にも活用できることを示す。注意深い特徴選択とプーリングにより、拡散モデルは、分類タスクにおいて同等な生成的識別的手法より優れていることが判明した。
論文参考訳（メタデータ） (2023-07-17T17:59:40Z)
Futuristic Variations and Analysis in Fundus Images Corresponding to Biological Traits [5.0329748402255365]
本研究は, 最先端の深層学習アルゴリズムを用いて, 生体特性を年齢・性別で推定し, 網膜視覚に関連付ける。特徴関連について,提案したDLモデルにラベル情報として老化を組み込んで,老化に伴う影響領域の知識を学習する。本研究は, 眼底画像と生体特性との関係を解析し, 眼底画像への眼疾患の拡散を発生モデルとして予測する。
論文参考訳（メタデータ） (2023-02-08T02:17:22Z)
Eye Gaze Estimation Model Analysis [2.4366811507669124]
本稿では、視線推定のための様々なモデルタイプについて論じ、非拘束環境における目印を用いた視線方向の予測結果を示す。制約のない実世界の環境では、照明変更やその他の視覚的アーティファクトなどの要因により、最近の外観ベースの手法により、機能ベースの手法とモデルベースの手法が優れています。
論文参考訳（メタデータ） (2022-07-28T20:40:03Z)
Learning Robust Representations Of Generative Models Using Set-Based Artificial Fingerprints [14.191129493685212]
既存の手法はサンプル分布を通してモデル間の距離を近似する。我々は、生成モデルの表現として、ユニークな痕跡(いわゆる「人工指紋」)を考える。セットエンコーディングとコントラスト学習に基づく新しい学習手法を提案する。
論文参考訳（メタデータ） (2022-06-04T23:20:07Z)
Towards Creativity Characterization of Generative Models via Group-based Subset Scanning [64.6217849133164]
創造的プロセスを特定し,定量化し,特徴付けるグループベースサブセットスキャンを提案する。創造的なサンプルは、データセット全体にわたる通常のサンプルや非創造的なサンプルよりも大きな異常のサブセットを生成する。
論文参考訳（メタデータ） (2022-03-01T15:07:14Z)
Bayesian Eye Tracking [63.21413628808946]
モデルに基づく視線追跡は、目の特徴検出エラーの影響を受けやすい。モデルベースアイトラッキングのためのベイズフレームワークを提案する。提案手法は,最先端のモデルベースおよび学習ベースの手法と比較して,一般化能力の大幅な向上を示す。
論文参考訳（メタデータ） (2021-06-25T02:08:03Z)
Learning and Evaluating Representations for Deep One-class Classification [59.095144932794646]
ディープワンクラス分類のための2段階フレームワークを提案する。まず,一級データから自己教師付き表現を学習し,学習した表現に基づいて一級分類器を構築する。実験では、視覚領域の1クラス分類ベンチマークで最先端の性能を示す。
論文参考訳（メタデータ） (2020-11-04T23:33:41Z)
Open Set Recognition with Conditional Probabilistic Generative Models [51.40872765917125]
オープンセット認識のための条件付き確率生成モデル(CPGM)を提案する。 CPGMは未知のサンプルを検出できるが、異なる潜在特徴を条件付きガウス分布に近似させることで、既知のクラスを分類できる。複数のベンチマークデータセットの実験結果から,提案手法がベースラインを著しく上回ることがわかった。
論文参考訳（メタデータ） (2020-08-12T06:23:49Z)

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。