論文の概要: Preterm infants' pose estimation with spatio-temporal features
- arxiv url: http://arxiv.org/abs/2005.08648v1
- Date: Fri, 8 May 2020 09:51:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-05 12:52:01.509189
- Title: Preterm infants' pose estimation with spatio-temporal features
- Title(参考訳): 時空間的特徴を考慮した幼児のポーズ推定
- Authors: Sara Moccia and Lucia Migliorelli and Virgilio Carnielli and Emanuele
Frontoni
- Abstract要約: 本稿では,手足検出・追跡における短期的特徴の活用について紹介する。
手足位置推定の実際の臨床実践で得られた深度ビデオを用いた最初の研究である。
- 参考スコア(独自算出の注目度): 7.054093620465401
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Objective: Preterm infants' limb monitoring in neonatal intensive care units
(NICUs) is of primary importance for assessing infants' health status and
motor/cognitive development. Herein, we propose a new approach to preterm
infants' limb pose estimation that features spatio-temporal information to
detect and track limb joints from depth videos with high reliability. Methods:
Limb-pose estimation is performed using a deep-learning framework consisting of
a detection and a regression convolutional neural network (CNN) for rough and
precise joint localization, respectively. The CNNs are implemented to encode
connectivity in the temporal direction through 3D convolution. Assessment of
the proposed framework is performed through a comprehensive study with sixteen
depth videos acquired in the actual clinical practice from sixteen preterm
infants (the babyPose dataset). Results: When applied to pose estimation, the
median root mean squared distance, computed among all limbs, between the
estimated and the ground-truth pose was 9.06 pixels, overcoming approaches
based on spatial features only (11.27pixels). Conclusion: Results showed that
the spatio-temporal features had a significant influence on the pose-estimation
performance, especially in challenging cases (e.g., homogeneous image
intensity). Significance: This paper significantly enhances the state of art in
automatic assessment of preterm infants' health status by introducing the use
of spatio-temporal features for limb detection and tracking, and by being the
first study to use depth videos acquired in the actual clinical practice for
limb-pose estimation. The babyPose dataset has been released as the first
annotated dataset for infants' pose estimation.
- Abstract(参考訳): 目的:新生児集中治療単位(NICUs)における乳幼児の肢モニタリングは,乳幼児の健康状態と運動・認知発達を評価する上で重要である。
そこで本研究では,精度の高い奥行き映像から手足関節を検出・追跡するための時空間情報を特徴とする,幼児の肢ポーズ推定のための新しいアプローチを提案する。
方法: 検出と回帰畳み込みニューラルネットワーク(cnn)からなる深層学習フレームワークを用いて辺縁推定を行い, 粗度および高精度な関節位置推定を行う。
CNNは3D畳み込みによって時間方向の接続を符号化するために実装されている。
提案手法の評価は,乳幼児16例(babyposeデータセット)から得られた16例の奥行きビデオを用いた包括的調査により行った。
結果: ポーズ推定に適用した場合, 全手足で中央値の平均2乗距離を算出し, 空間的特徴に基づくアプローチに勝るものは11.27ピクセルのみであった。
結論: 時空間的特徴はポーズ推定性能, 特に難易度(均質画像強度など)に有意な影響を及ぼした。
意義:本論文は,手足検出と追跡のための時空間的特徴の導入と,本臨床で得られた深部映像を用いた最初の四肢位推定法として,乳幼児の健康状態の自動評価において,芸術性が著しく向上する。
babyposeデータセットは、幼児のポーズ推定のための最初の注釈付きデータセットとしてリリースされた。
関連論文リスト
- Learning Developmental Age from 3D Infant Kinetics Using Adaptive Graph Neural Networks [2.2279946664123664]
Kinetic Age(KA)は、運動パターンに基づいて幼児の年齢を予測することによって、神経発達の成熟度を定量化するデータ駆動の指標である。
本手法は乳児の3次元映像記録を利用してポーズ推定を行い,解剖学的ランドマークの抽出・時間的時系列を抽出する。
これらのデータは適応的なグラフ畳み込みネットワークを用いてモデル化され、幼児運動における検出時間依存性を捉えることができる。
論文 参考訳(メタデータ) (2024-02-22T09:34:48Z) - Challenges in Video-Based Infant Action Recognition: A Critical
Examination of the State of the Art [9.327466428403916]
InfActPrimitive’という,5つの重要な幼児マイルストーンアクションカテゴリを含む,画期的なデータセットを紹介します。
近縁骨格に基づく行動認識モデルを用いた広範囲な比較分析を行う。
以上の結果から,PoseC3Dモデルでは約71%の精度で高い精度を達成できたが,残りのモデルでは乳幼児行動の動態を正確に把握することが困難であった。
論文 参考訳(メタデータ) (2023-11-21T02:36:47Z) - Tissue Classification During Needle Insertion Using Self-Supervised
Contrastive Learning and Optical Coherence Tomography [53.38589633687604]
針先端で取得した複雑なCT信号の位相および強度データから組織を分類するディープニューラルネットワークを提案する。
トレーニングセットの10%で、提案した事前学習戦略により、モデルが0.84のF1スコアを達成するのに対して、モデルが0.60のF1スコアを得るのに対して、モデルが0.84のF1スコアを得るのに役立ちます。
論文 参考訳(メタデータ) (2023-04-26T14:11:04Z) - NeuroExplainer: Fine-Grained Attention Decoding to Uncover Cortical
Development Patterns of Preterm Infants [73.85768093666582]
我々はNeuroExplainerと呼ばれる説明可能な幾何学的深層ネットワークを提案する。
NeuroExplainerは、早産に伴う幼児の皮質発達パターンの解明に使用される。
論文 参考訳(メタデータ) (2023-01-01T12:48:12Z) - Neurodevelopmental Phenotype Prediction: A State-of-the-Art Deep
Learning Model [0.0]
我々は,新生児の皮質表面データを解析するためにディープニューラルネットワークを適用した。
我々の目標は、神経発達のバイオマーカーを特定し、これらのバイオマーカーに基づいて出生時の妊娠年齢を予測することである。
論文 参考訳(メタデータ) (2022-11-16T11:15:23Z) - Automatic Assessment of Infant Face and Upper-Body Symmetry as Early
Signs of Torticollis [11.187291473332325]
本研究では, データスカース乳幼児領域向けに開発されたコンピュータビジョンのポーズ推定手法を, torticollis の研究に応用した。
幼児の顔と上半身の対称性に関する幾何的測度を推定するために,顔のランドマークと身体の関節推定技術を組み合わせた。
論文 参考訳(メタデータ) (2022-10-26T20:39:14Z) - White Matter Tracts are Point Clouds: Neuropsychological Score
Prediction and Critical Region Localization via Geometric Deep Learning [68.5548609642999]
ホワイトマタートラクトデータを用いた神経心理学的スコア予測のためのディープラーニングに基づくフレームワークを提案する。
各点の微細構造測定を行う点雲として, arcuate fasciculus (AF) を表現した。
Paired-Siamese Lossでは,連続した神経心理学的スコアの違いに関する情報を利用した予測性能を改善した。
論文 参考訳(メタデータ) (2022-07-06T02:03:28Z) - Learning Dynamics via Graph Neural Networks for Human Pose Estimation
and Tracking [98.91894395941766]
ポーズ検出とは無関係なポーズダイナミクスを学習する新しいオンライン手法を提案する。
具体的には、空間的・時間的情報と視覚的情報の両方を明示的に考慮したグラフニューラルネットワーク(GNN)を通して、このダイナミクスの予測を導出する。
PoseTrack 2017とPoseTrack 2018データセットの実験では、提案手法が人間のポーズ推定とトラッキングタスクの両方において、技術の現状よりも優れた結果が得られることを示した。
論文 参考訳(メタデータ) (2021-06-07T16:36:50Z) - Towards human-level performance on automatic pose estimation of infant
spontaneous movements [2.7086496937827005]
4種類の畳み込みニューラルネットワークを訓練し、新しい幼児ポーズデータセットを用いて評価した。
最高のパフォーマンスのニューラルネットワークは、人間の専門家アノテーションのラッター間拡散に類似したローカライゼーションエラーを持っていた。
以上の結果から, 乳児の自発運動の評価は, 周産期脳損傷児の発達障害の早期発見に大きく貢献する可能性が示唆された。
論文 参考訳(メタデータ) (2020-10-12T18:17:47Z) - Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and
Convolutional Neural Networks [68.96150598294072]
未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。
網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。
近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。
本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。
提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
論文 参考訳(メタデータ) (2020-04-03T14:07:41Z) - 1-D Convlutional Neural Networks for the Analysis of Pupil Size
Variations in Scotopic Conditions [79.71065005161566]
1次元畳み込みニューラルネットワークモデルは、短距離配列の分類のために訓練されている。
モデルは、ホールドアウトテストセット上で、高い平均精度で予測を提供する。
論文 参考訳(メタデータ) (2020-02-06T17:25:37Z)
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。