論文の概要: AutoHR: A Strong End-to-end Baseline for Remote Heart Rate Measurement
with Neural Searching
- arxiv url: http://arxiv.org/abs/2004.12292v1
- Date: Sun, 26 Apr 2020 05:43:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-09 13:36:16.029026
- Title: AutoHR: A Strong End-to-end Baseline for Remote Heart Rate Measurement
with Neural Searching
- Title（参考訳）: AutoHR:ニューラルサーチによる遠隔心拍計測のための強力なエンドツーエンドベースライン
- Authors: Zitong Yu, Xiaobai Li, Xuesong Niu, Jingang Shi, Guoying Zhao
- Abstract要約: 既存のエンド・ツー・エンドのネットワークが難易度が低い理由を考察し,アーキテクチャ・サーチ(NAS)を用いたリモートHR計測のための強力なベースラインを確立する。
総合的な実験は、時間内テストとクロスデータセットテストの両方で3つのベンチマークデータセットで実施される。
- 参考スコア（独自算出の注目度）: 76.4844593082362
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Remote photoplethysmography (rPPG), which aims at measuring heart activities
without any contact, has great potential in many applications (e.g., remote
healthcare). Existing end-to-end rPPG and heart rate (HR) measurement methods
from facial videos are vulnerable to the less-constrained scenarios (e.g., with
head movement and bad illumination). In this letter, we explore the reason why
existing end-to-end networks perform poorly in challenging conditions and
establish a strong end-to-end baseline (AutoHR) for remote HR measurement with
neural architecture search (NAS). The proposed method includes three parts: 1)
a powerful searched backbone with novel Temporal Difference Convolution (TDC),
intending to capture intrinsic rPPG-aware clues between frames; 2) a hybrid
loss function considering constraints from both time and frequency domains; and
3) spatio-temporal data augmentation strategies for better representation
learning. Comprehensive experiments are performed on three benchmark datasets
to show our superior performance on both intra- and cross-dataset testing.
- Abstract（参考訳）: 接触なく心臓活動を測定することを目的としたリモート光胸腺撮影(rPPG)は、多くの応用(例えば、遠隔医療)において大きな可能性を秘めている。
既存のエンドツーエンドのrPPGと心拍数(HR)測定手法は、制約の少ないシナリオ(例えば頭部の動きや照明の悪さ)に対して脆弱である。
本稿では,既存のエンド・ツー・エンドネットワークが課題条件下において性能に乏しい理由を考察し,ニューラルネットワーク検索(nas)を用いた遠隔hr計測のための強力なエンド・ツー・エンドベースライン(autohr)を確立する。
提案手法は3つの部分を含む。
1) 新しい時間差畳み込み(tdc)を備えた強力な探索型バックボーンは,フレーム間の内在的なrppg対応の手がかりを捉えようとする。
2)時間領域と周波数領域の制約を考慮したハイブリッド損失関数
3) 時空間データ拡張戦略による表現学習の改善
総合的な実験を3つのベンチマークデータセットで行い、データ内テストとクロスデータセットテストの両方で優れたパフォーマンスを示す。
関連論文リスト
- FunnelNet: An End-to-End Deep Learning Framework to Monitor Digital Heart Murmur in Real-Time [5.408260756721024]
心室は、心臓内の乱流によって生じる異常な音である。
本研究は,従来型および深部畳み込み型ネットワークを用いた,エンドツーエンドの心臓外傷検出手法を開発することを目的とする。
論文 参考訳（メタデータ） (2024-05-10T03:12:17Z) - Predicting Infant Brain Connectivity with Federated Multi-Trajectory
GNNs using Scarce Data [54.55126643084341]
既存のディープラーニングソリューションには,3つの大きな制限がある。
我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。
フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
論文 参考訳（メタデータ） (2024-01-01T10:20:01Z) - PointHPS: Cascaded 3D Human Pose and Shape Estimation from Point Clouds [99.60575439926963]
本稿では,実環境で捉えた点雲から正確な3次元HPSを実現するための基本的フレームワークであるPointHPSを提案する。
PointHPSは、カスケードアーキテクチャを通じてポイント機能を反復的に洗練する。
広範囲な実験により、ポイントHPSは強力な特徴抽出と処理方式を持ち、State-of-the-Art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） (2023-08-28T11:10:14Z) - Extraction of volumetric indices from echocardiography: which deep
learning solution for clinical use? [6.144041824426555]
提案した3D nnU-Netは,2D法と繰り返しセグメンテーション法よりも優れていることを示す。
実験の結果、十分なトレーニングデータがあれば、3D nnU-Netは日常的な臨床機器の基準を満たす最初の自動化ツールとなる可能性が示唆された。
論文 参考訳（メタデータ） (2023-05-03T09:38:52Z) - MMA-RNN: A Multi-level Multi-task Attention-based Recurrent Neural
Network for Discrimination and Localization of Atrial Fibrillation [1.8037893225125925]
本稿では,多段階マルチタスク・アテンションに基づくリカレントニューラルネットワークを提案する。
このモデルは、情報インタラクションを強化し、エラーの蓄積を減らすためのエンドツーエンドフレームワークとして設計されている。
論文 参考訳（メタデータ） (2023-02-07T19:59:55Z) - PhysFormer: Facial Video-based Physiological Measurement with Temporal
Difference Transformer [55.936527926778695]
近年のディープラーニングアプローチは、時間的受容の限られた畳み込みニューラルネットワークを用いた微妙なrの手がかりのマイニングに重点を置いている。
本稿では,エンドツーエンドのビデオトランスをベースとしたアーキテクチャであるPhysFormerを提案する。
論文 参考訳（メタデータ） (2021-11-23T18:57:11Z) - Feature Aggregation and Refinement Network for 2D AnatomicalLandmark
Detection [0.0]
本稿では,解剖学的ランドマークの自動検出のための,特徴集約・改善ネットワーク(FARNet)を提案する。
我々のネットワークは3つの公開解剖学的ランドマーク検出データセットで評価されている。
論文 参考訳（メタデータ） (2021-11-01T02:16:13Z) - Non-contact PPG Signal and Heart Rate Estimation with Multi-hierarchical
Convolutional Network [12.119293125608976]
心拍数(HR)は人体の重要な生理的パラメータである。
本研究では,顔ビデオクリップからHRを推定できる,効率的な多階層・畳み込みネットワークを提案する。
論文 参考訳（メタデータ） (2021-04-06T03:04:27Z) - Generalizing Face Forgery Detection with High-frequency Features [63.33397573649408]
現在のCNNベースの検出器は、メソッド固有の色テクスチャに過度に適合するため、一般化に失敗する傾向にある。
フェースフォージェリ検出に高周波雑音を用いることを提案する。
1つは、複数のスケールで高周波ノイズを抽出するマルチスケールの高周波特徴抽出モジュールである。
2つ目は、低レベルRGB特徴抽出器を導く残差誘導空間注意モジュールで、新しい視点からフォージェリートレースにもっと集中する。
論文 参考訳（メタデータ） (2021-03-23T08:19:21Z) - Multi-view Depth Estimation using Epipolar Spatio-Temporal Networks [87.50632573601283]
一つのビデオから多視点深度を推定する新しい手法を提案する。
提案手法は,新しいEpipolar Spatio-Temporal Transformer(EST)を用いて時間的コヒーレントな深度推定を行う。
最近のMixture-of-Expertsモデルにインスパイアされた計算コストを削減するため、我々はコンパクトなハイブリッドネットワークを設計する。
論文 参考訳（メタデータ） (2020-11-26T04:04:21Z)
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。