Fugu-MT 論文翻訳(概要): In Search of Life: Learning from Synthetic Data to Detect Vital Signs in Videos

論文の概要: In Search of Life: Learning from Synthetic Data to Detect Vital Signs in Videos

arxiv url: http://arxiv.org/abs/2004.07691v2
Date: Thu, 23 Apr 2020 18:18:39 GMT
ステータス: 処理完了
システム内更新日: 2022-12-12 21:29:09.044092
Title: In Search of Life: Learning from Synthetic Data to Detect Vital Signs in Videos
Title（参考訳）: In Search of Life: Learning from Synthetic Data to Detection Vital Signs in Videos
Authors: Florin Condrea, Victor-Andrei Ivan, Marius Leordeanu
Abstract要約: 本稿では,ビデオ中のバイタルサインを自動的に検出する新しい深層学習手法を提案する。本システムは,各時点の呼吸や心臓の強度を予測し,その課題に最も関係のある関心領域を検出することを学習する。提案システムの有効性を最近のLCASデータセットで検証し,最新結果を得た。
参考スコア（独自算出の注目度）: 15.995843386368696
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Automatically detecting vital signs in videos, such as the estimation of heart and respiration rates, is a challenging research problem in computer vision with important applications in the medical field. One of the key difficulties in tackling this task is the lack of sufficient supervised training data, which severely limits the use of powerful deep neural networks. In this paper we address this limitation through a novel deep learning approach, in which a recurrent deep neural network is trained to detect vital signs in the infrared thermal domain from purely synthetic data. What is most surprising is that our novel method for synthetic training data generation is general, relatively simple and uses almost no prior medical domain knowledge. Moreover, our system, which is trained in a purely automatic manner and needs no human annotation, also learns to predict the respiration or heart intensity signal for each moment in time and to detect the region of interest that is most relevant for the given task, e.g. the nose area in the case of respiration. We test the effectiveness of our proposed system on the recent LCAS dataset and obtain state-of-the-art results.
Abstract（参考訳）: 心臓や呼吸率などのビデオにおけるバイタルサインを自動的に検出することは、コンピュータビジョンにおける課題であり、医療分野における重要な応用である。このタスクに取り組む上で重要な課題の1つは、十分な教師付きトレーニングデータの不足であり、強力なディープニューラルネットワークの使用を著しく制限する。本稿では、この制限を、純粋に合成されたデータから赤外線熱領域におけるバイタルサインを検出するために、再帰的な深層ニューラルネットワークを訓練する、新しいディープラーニングアプローチを通じて解決する。最も驚きなのは、我々の新しい合成トレーニングデータ生成法が一般的であり、比較的単純であり、医学領域の知識がほとんどないことです。さらに,本システムは,人間のアノテーションを必要としない純粋に自動で訓練されており,各時点の呼吸や心臓の強度を予測し,例えば呼吸の場合の鼻領域など,与えられたタスクに最も関係のある関心領域を検出することを学習している。提案システムの有効性を最近のLCASデータセットで検証し,最新結果を得た。

関連論文リスト

TACOS: Task Agnostic Continual Learning in Spiking Neural Networks [1.703671463296347]
破滅的な干渉は、新しい情報を学ぶ際に学習した情報が失われることであり、機械学習において依然として大きな課題である。本研究では, シナプス結合やメタ可塑性などの神経誘発機構が, スパイク神経ネットワークにおける破滅的干渉を緩和することを示した。我々のモデルであるTACOSは、神経変調と複雑なシナプス力学を組み合わせることで、以前の情報を保護しながら新しい学習を可能にする。
論文参考訳（メタデータ） (2024-08-16T15:42:16Z)
Simple and Effective Transfer Learning for Neuro-Symbolic Integration [50.592338727912946]
この問題の潜在的な解決策はNeuro-Symbolic Integration (NeSy)であり、ニューラルアプローチとシンボリック推論を組み合わせる。これらの手法のほとんどは、認識をシンボルにマッピングするニューラルネットワークと、下流タスクの出力を予測する論理的論理的推論を利用する。それらは、緩やかな収束、複雑な知覚タスクの学習困難、局所的なミニマへの収束など、いくつかの問題に悩まされている。本稿では,これらの問題を改善するための簡易かつ効果的な方法を提案する。
論文参考訳（メタデータ） (2024-02-21T15:51:01Z)
Critical Learning Periods for Multisensory Integration in Deep Networks [112.40005682521638]
ニューラルネットワークが様々な情報源からの情報を統合する能力は、トレーニングの初期段階において、適切な相関した信号に晒されることに批判的になることを示す。臨界周期は、訓練されたシステムとその学習された表現の最終性能を決定づける、複雑で不安定な初期過渡的ダイナミクスから生じることを示す。
論文参考訳（メタデータ） (2022-10-06T23:50:38Z)
Neuro-BERT: Rethinking Masked Autoencoding for Self-supervised Neurological Pretraining [24.641328814546842]
本稿では、フーリエ領域におけるマスク付き自己エンコーディングに基づく神経信号の自己教師付き事前学習フレームワークであるNeuro-BERTを提案する。本稿では、入力信号の一部をランダムにマスキングし、欠落した情報を予測するFourier Inversion Prediction (FIP)と呼ばれる新しい事前学習タスクを提案する。提案手法をいくつかのベンチマークデータセットで評価することにより,Neuro-BERTは下流神経関連タスクを大きなマージンで改善することを示す。
論文参考訳（メタデータ） (2022-04-20T16:48:18Z)
A Novel Capsule Neural Network Based Model for Drowsiness Detection Using Electroencephalography Signals [0.0]
Capsule Neural Networksは、データ量を減らすために提案された新しいディープラーニングアルゴリズムである。本稿では,脳波信号チャネルの分光画像の結合を用いて,CapsNetを用いた深層学習による眠気検出手法を提案する。
論文参考訳（メタデータ） (2022-04-04T17:23:53Z)
The ideal data compression and automatic discovery of hidden law using neural network [0.0]
我々は、人間の脳がどのように出来事を認識し、記憶するかを考える。我々は、新しいオートエンコーダニューラルネットワークを用いて、人間の脳のシステムを機械学習モデルで再現する。
論文参考訳（メタデータ） (2022-03-31T10:55:24Z)
Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文参考訳（メタデータ） (2022-02-01T17:11:13Z)
Reducing Catastrophic Forgetting in Self Organizing Maps with Internally-Induced Generative Replay [67.50637511633212]
生涯学習エージェントは、パターン知覚データの無限のストリームから継続的に学習することができる。適応するエージェントを構築する上での歴史的難しさの1つは、ニューラルネットワークが新しいサンプルから学ぶ際に、以前取得した知識を維持するのに苦労していることである。この問題は破滅的な忘れ(干渉)と呼ばれ、今日の機械学習の領域では未解決の問題のままである。
論文参考訳（メタデータ） (2021-12-09T07:11:14Z)
Neuronal Learning Analysis using Cycle-Consistent Adversarial Networks [4.874780144224057]
我々は、-CycleGANと呼ばれる深層生成モデルを用いて、前学習と後学習の神経活動の間の未知のマッピングを学習する。我々は,カルシウム蛍光信号を前処理し,訓練し,評価するためのエンドツーエンドパイプラインを開発し,その結果の深層学習モデルを解釈する手法を開発した。
論文参考訳（メタデータ） (2021-11-25T13:24:19Z)
Deep Metric Learning with Locality Sensitive Angular Loss for Self-Correcting Source Separation of Neural Spiking Signals [77.34726150561087]
本稿では, 深層学習に基づく手法を提案し, 自動掃除とロバスト分離フィルタの必要性に対処する。本手法は, ソース分離した高密度表面筋電図記録に基づいて, 人工的に劣化したラベルセットを用いて検証する。このアプローチにより、ニューラルネットワークは、信号のラベル付けの不完全な方法を使用して、神経生理学的時系列を正確に復号することができる。
論文参考訳（メタデータ） (2021-10-13T21:51:56Z)
Artificial Neural Variability for Deep Learning: On Overfitting, Noise Memorization, and Catastrophic Forgetting [135.0863818867184]
人工ニューラルネットワーク(ANV)は、ニューラルネットワークが自然のニューラルネットワークからいくつかの利点を学ぶのに役立つ。 ANVは、トレーニングデータと学習モデルの間の相互情報の暗黙の正則化として機能する。過度にフィットし、ノイズの記憶をラベル付けし、無視できるコストで破滅的な忘れを効果的に軽減することができる。
論文参考訳（メタデータ） (2020-11-12T06:06:33Z)

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。