論文の概要: Adversary Helps: Gradient-based Device-Free Domain-Independent Gesture Recognition

• arxiv url: http://arxiv.org/abs/2004.03961v1
• Date: Wed, 8 Apr 2020 12:20:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-15 08:36:21.168957
• Title: Adversary Helps: Gradient-based Device-Free Domain-Independent Gesture Recognition
• Title（参考訳）: adversary:グラデーションベースでデバイスに依存しないジェスチャ認識を支援する
• Authors: Jianwei Liu, Jinsong Han, Feng Lin, Kui Ren
• Abstract要約: ドメインギャップを排除し、さらにドメインに依存しないジェスチャー認識を実現するために、より有望なソリューション、すなわちDIを提案する。 実験の結果、DIはKNN、SVM、CNNで87.13%、90.12%、94.45%の認識精度を達成でき、既存のソリューションよりも優れていた。
• 参考スコア（独自算出の注目度）: 22.774725805230958
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Wireless signal-based gesture recognition has promoted the developments of VR game, smart home, etc. However, traditional approaches suffer from the influence of the domain gap. Low recognition accuracy occurs when the recognition model is trained in one domain but is used in another domain. Though some solutions, such as adversarial learning, transfer learning and body-coordinate velocity profile, have been proposed to achieve cross-domain recognition, these solutions more or less have flaws. In this paper, we define the concept of domain gap and then propose a more promising solution, namely DI, to eliminate domain gap and further achieve domain-independent gesture recognition. DI leverages the sign map of the gradient map as the domain gap eliminator to improve the recognition accuracy. We conduct experiments with ten domains and ten gestures. The experiment results show that DI can achieve the recognition accuracies of 87.13%, 90.12% and 94.45% on KNN, SVM and CNN, which outperforms existing solutions.
• Abstract（参考訳）: 無線信号に基づくジェスチャー認識は、VRゲームやスマートホームなどの開発を促進する。 しかし、伝統的なアプローチはドメインギャップの影響に悩まされる。 低認識精度は、あるドメインで訓練されるが、別のドメインで使用されるときに発生する。 対人学習、移動学習、身体座標速度プロファイルなどのいくつかのソリューションは、クロスドメイン認識を実現するために提案されているが、これらのソリューションには、多かれ少なかれ、欠陥がある。 本稿では,ドメインギャップの概念を定義し,ドメインギャップを排除し,ドメインに依存しないジェスチャー認識を実現するための,より有望なソリューションであるDIを提案する。 diはグラデーションマップの符号マップをドメインギャップ除去器として活用し、認識精度を向上させる。 我々は10のドメインと10のジェスチャーで実験を行う。 実験の結果,既存のソリューションを上回っているkn,svm,cnnにおいて,87.13%,90.12%,94.45%の認識精度が得られることがわかった。

関連論文リスト

• Unsupervised Domain Adaptation for Anatomical Landmark Detection [5.070344284426738]
  非教師なし領域適応(UDA)の設定下での解剖学的ランドマーク検出のための新しい枠組みを提案する。 このフレームワークは、自己学習とドメインの敵対的学習を活用して、適応中のドメインギャップに対処する。 脳波および肺のランドマーク検出実験は,領域間隙を広いマージンで低減し,他のUDA法より一貫して優れる手法の有効性を示した。
  論文  参考訳（メタデータ） (2023-08-25T10:22:13Z)
• Adversarial Bi-Regressor Network for Domain Adaptive Regression [52.5168835502987]
  ドメインシフトを軽減するために、クロスドメインレグレッタを学ぶことが不可欠です。 本稿では、より効果的なドメイン間回帰モデルを求めるために、ABRNet(Adversarial Bi-Regressor Network)を提案する。
  論文  参考訳（メタデータ） (2022-09-20T18:38:28Z)
• Understanding the Domain Gap in LiDAR Object Detection Networks [1.6661840375100232]
  推論ドメインギャップとトレーニングドメインギャップという、2つの異なるドメインギャップを示します。 推論ギャップは、オブジェクトごとのLiDAR点数に強く依存しているのに対して、トレーニングギャップはそのような依存を示さない。 これらの分岐は、これらの推論を閉じ、ドメインギャップをトレーニングするために異なるアプローチが必要であることを示している。
  論文  参考訳（メタデータ） (2022-04-21T11:18:48Z)
• Decompose to Adapt: Cross-domain Object Detection via Feature Disentanglement [79.2994130944482]
  本研究では,DDF(Domain Disentanglement Faster-RCNN)を設計し,タスク学習のための特徴のソース固有情報を排除した。 DDF法は,グローバルトリプルト・ディアンタングルメント(GTD)モジュールとインスタンス類似性・ディアンタングルメント(ISD)モジュールを用いて,グローバルおよびローカルステージでの機能ディアンタングルを容易にする。 提案手法は,4つのUDAオブジェクト検出タスクにおいて最先端の手法より優れており,広い適用性で有効であることが実証された。
  論文  参考訳（メタデータ） (2022-01-06T05:43:01Z)
• Improving Transferability of Domain Adaptation Networks Through Domain Alignment Layers [1.3766148734487902]
  マルチソースアン教師付きドメイン適応(MSDA)は、ソースモデルの袋から弱い知識を割り当てることで、ラベルのないドメインの予測子を学習することを目的としている。 我々は,DomaIn Alignment Layers (MS-DIAL) のマルチソースバージョンを予測器の異なるレベルに埋め込むことを提案する。 我々の手法は最先端のMSDA法を改善することができ、分類精度の相対利得は+30.64%に達する。
  論文  参考訳（メタデータ） (2021-09-06T18:41:19Z)
• Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training for Road Segmentation of Remote Sensing Images [93.50240389540252]
  リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。 本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。 2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-08-28T09:29:14Z)
• Self-Adversarial Disentangling for Specific Domain Adaptation [52.1935168534351]
  ドメイン適応は、ソースとターゲットドメイン間のドメインシフトをブリッジすることを目的としています。 最近の手法では、特定の次元について明示的な事前知識を考慮しないのが一般的である。
  論文  参考訳（メタデータ） (2021-08-08T02:36:45Z)
• Disentanglement-based Cross-Domain Feature Augmentation for Effective Unsupervised Domain Adaptive Person Re-identification [87.72851934197936]
  Unsupervised Domain Adaptive (UDA) Person Re-identification (ReID) は、ラベル付きソースドメインからラベル付きターゲットドメインへ知識を転送することを目的としている。 ひとつの課題は、トレーニング用に信頼できるラベルでターゲットドメインサンプルを生成する方法だ。 ディスタングルメントに基づくクロスドメイン機能拡張戦略を提案する。
  論文  参考訳（メタデータ） (2021-03-25T15:28:41Z)
• Cross-Domain Similarity Learning for Face Recognition in Unseen Domains [90.35908506994365]
  本研究では,cdt(cross-domain triplet, クロスドメイントリプレット)の損失を推測する新しいクロスドメインメトリック学習損失法を提案する。 CDT損失は、一つのドメインからコンパクトな特徴クラスタを強制することによって意味論的に意味のある特徴の学習を促進する。 本手法では,トレーニング中,注意深いハードペアサンプルマイニングおよびフィルタリング戦略は必要としない。
  論文  参考訳（メタデータ） (2021-03-12T19:48:01Z)
• ConTraKG: Contrastive-based Transfer Learning for Visual Object Recognition using Knowledge Graphs [18.802723413435654]
  クロスドメイン転送学習を可能にする神経シンボリックアプローチであるConTraKGを提案する。 ネットワークが両方のドメインでトレーニングされる転送学習のセットアップでは、contrakgはソースドメインでテストした場合の精度が21%向上する。 トレーニング対象データのわずか10%で、完全なターゲットデータで訓練されたクロスエントロピーベースのモデルと同じ精度を実現します。
  論文  参考訳（メタデータ） (2021-02-17T13:24:41Z)
• Unsupervised Cross-domain Image Classification by Distance Metric Guided Feature Alignment [11.74643883335152]
  教師なしドメイン適応は、ソースドメインからターゲットドメインに知識を転送する有望な道である。 本稿では,距離メトリックガイド機能アライメント(MetFA)を提案する。 我々のモデルは、クラス分布アライメントを統合して、ソースドメインからターゲットドメインにセマンティック知識を転送します。
  論文  参考訳（メタデータ） (2020-08-19T13:36:57Z)

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。