論文の概要: Deep Domain Adaptation for Ordinal Regression of Pain Intensity
Estimation Using Weakly-Labelled Videos
- arxiv url: http://arxiv.org/abs/2008.06392v2
- Date: Tue, 2 Mar 2021 02:24:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-30 23:42:00.434351
- Title: Deep Domain Adaptation for Ordinal Regression of Pain Intensity
Estimation Using Weakly-Labelled Videos
- Title（参考訳）: 弱ラベルビデオを用いた痛覚強度推定の順序回帰のための深部領域適応
- Authors: Gnana Praveen R, Eric Granger, Patrick Cardinal
- Abstract要約: ビデオで捉えた表情から痛みの強さを推定することは、医療応用にとって大きな可能性を秘めている。
本稿では,対象とするドメインビデオを用いて適応可能な順序回帰型弱教師付きDAのための新しいDLモデルを提案する。
WSDA-ORモデルは、ターゲットシーケンスに割り当てられた強度レベル間の順序関係を強制し、複数の関連するフレームをシーケンスレベルラベルに関連付ける。
- 参考スコア（独自算出の注目度）: 15.643176705932396
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Estimation of pain intensity from facial expressions captured in videos has
an immense potential for health care applications. Given the challenges related
to subjective variations of facial expressions, and operational capture
conditions, the accuracy of state-of-the-art DL models for recognizing facial
expressions may decline. Domain adaptation has been widely explored to
alleviate the problem of domain shifts that typically occur between video data
captured across various source and target domains. Moreover, given the
laborious task of collecting and annotating videos, and subjective bias due to
ambiguity among adjacent intensity levels, weakly-supervised learning is
gaining attention in such applications. State-of-the-art WSL models are
typically formulated as regression problems, and do not leverage the ordinal
relationship among pain intensity levels, nor temporal coherence of multiple
consecutive frames. This paper introduces a new DL model for weakly-supervised
DA with ordinal regression that can be adapted using target domain videos with
coarse labels provided on a periodic basis. The WSDA-OR model enforces ordinal
relationships among intensity levels assigned to target sequences, and
associates multiple relevant frames to sequence-level labels. In particular, it
learns discriminant and domain-invariant feature representations by integrating
multiple instance learning with deep adversarial DA, where soft Gaussian labels
are used to efficiently represent the weak ordinal sequence-level labels from
target domain. The proposed approach was validated using RECOLA video dataset
as fully-labeled source domain data, and UNBC-McMaster shoulder pain video
dataset as weakly-labeled target domain data. We have also validated WSDA-OR on
BIOVID and Fatigue datasets for sequence level estimation.
- Abstract（参考訳）: ビデオで捉えた表情から痛みの強さを推定することは、医療応用にとって大きな可能性を秘めている。
表情の主観的変化や操作的捕捉条件に関する課題から,表情認識のための最先端dlモデルの精度は低下する可能性がある。
ドメイン適応は、様々なソースとターゲットドメインをまたいだビデオデータ間で発生するドメインシフトの問題を軽減するために広く研究されてきた。
さらに,映像の収集・注釈作業や,隣接する強度レベルのあいまいさによる主観的偏見から,弱い教師付き学習が注目されている。
最先端のWSLモデルは典型的には回帰問題として定式化され、痛み強度レベルと時間的コヒーレンスの間の順序関係は利用されない。
本稿では, 順序回帰を伴う弱教師付きDAのための新しいDLモデルを提案する。
WSDA-ORモデルは、ターゲットシーケンスに割り当てられた強度レベル間の順序関係を強制し、複数の関連するフレームをシーケンスレベルラベルに関連付ける。
特に、複数のインスタンス学習を、対象領域から弱い順序配列レベルラベルを効率的に表現するためにソフトガウシアンラベルを使用する深層逆daと統合することにより、判別的およびドメイン不変な特徴表現を学習する。
提案手法は,完全ラベル付きソースドメインデータとしてrecola video dataset,弱いラベル付きターゲットドメインデータとしてunbc-mcmaster shoulder pain video datasetを用いて検証した。
また,BIOVIDおよび疲労データセット上でWSDA-ORを検証し,シーケンスレベルの推定を行った。
関連論文リスト
- Towards Cross-domain Few-shot Graph Anomaly Detection [6.732699844225434]
ソースとターゲットドメイン間のデータ分散の相違により、クロスドメインの少数ショットグラフ異常検出(GAD)は簡単ではない。
我々は,上記の課題に対処するために,CDFS-GADと呼ばれるシンプルで効果的なフレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-11T08:47:25Z) - Adaptive Face Recognition Using Adversarial Information Network [57.29464116557734]
顔認識モデルは、トレーニングデータがテストデータと異なる場合、しばしば退化する。
本稿では,新たな敵情報ネットワーク(AIN)を提案する。
論文 参考訳（メタデータ） (2023-05-23T02:14:11Z) - Multi-scale Feature Alignment for Continual Learning of Unlabeled
Domains [3.9498537297431167]
生成的特徴駆動のイメージリプレイとデュアル目的判別器は、リプレイのための現実的な特徴を持つ画像の生成を可能にする。
本稿では,提案手法の構成要素について詳細なアブレーション実験を行い,非教師付きパッチベースセグメンテーションタスクに対する連続的UDA法の適用可能性を示す。
論文 参考訳（メタデータ） (2023-02-02T18:19:01Z) - Cluster-level pseudo-labelling for source-free cross-domain facial
expression recognition [94.56304526014875]
表情認識のためのSFUDA法を提案する。
本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。
提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
論文 参考訳（メタデータ） (2022-10-11T08:24:50Z) - Stacking Ensemble Learning in Deep Domain Adaptation for Ophthalmic
Image Classification [61.656149405657246]
ドメイン適応は、十分なラベルデータを取得することが困難な画像分類タスクに有効である。
本稿では,3つのドメイン適応手法を拡張することで,アンサンブル学習を積み重ねるための新しい手法SELDAを提案する。
Age-Related Eye Disease Study (AREDS)ベンチマーク眼科データセットを用いた実験結果から,提案モデルの有効性が示された。
論文 参考訳（メタデータ） (2022-09-27T14:19:00Z) - Target and Task specific Source-Free Domain Adaptive Image Segmentation [73.78898054277538]
ソースフリー領域適応画像分割のための2段階のアプローチを提案する。
我々は,高エントロピー領域を抑えつつ,ターゲット固有の擬似ラベルを生成することに注力する。
第2段階では、タスク固有の表現にネットワークを適用することに重点を置いている。
論文 参考訳（メタデータ） (2022-03-29T17:50:22Z) - The Norm Must Go On: Dynamic Unsupervised Domain Adaptation by
Normalization [10.274423413222763]
ドメイン適応は、学習したモデルを、ドメインシフトやデータ分散の変更など、新しいシナリオに適応するために不可欠である。
現在のアプローチは通常、シフトしたドメインから大量のラベル付きまたはラベルなしのデータを必要とする。
本稿では,この問題を解決するために動的教師なし適応(DUA)を提案する。
論文 参考訳（メタデータ） (2021-12-01T12:43:41Z) - 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) - Semi-Supervised Domain Adaptation with Prototypical Alignment and
Consistency Learning [86.6929930921905]
本稿では,いくつかの対象サンプルがラベル付けされていれば,ドメインシフトに対処するのにどの程度役立つか検討する。
ランドマークの可能性を最大限に追求するために、ランドマークから各クラスのターゲットプロトタイプを計算するプロトタイプアライメント(PA)モジュールを組み込んでいます。
具体的には,ラベル付き画像に深刻な摂動を生じさせ,PAを非自明にし,モデル一般化性を促進する。
論文 参考訳（メタデータ） (2021-04-19T08:46:08Z) - Deep DA for Ordinal Regression of Pain Intensity Estimation Using
Weakly-Labeled Videos [15.34487189996453]
本稿では、順序回帰を伴う弱教師付きDAのための新しい深層学習モデルを提案する。
WSDA-ORモデルは、ターゲットシーケンスに割り当てられた強度レベル間の順序関係を強制する。
実験結果から,本手法は最先端モデルよりも大幅に改善できることが示唆された。
論文 参考訳（メタデータ） (2020-10-28T03:20:34Z) - Deep Weakly-Supervised Domain Adaptation for Pain Localization in Videos [13.994609732846344]
痛み強度推定のための3次元CNNをトレーニングするための弱教師付きドメイン適応(WSDA)手法を提案する。
WSDAは、複数のインスタンス学習を逆深いドメイン適応フレームワークに統合し、Inflated 3D-CNN(I3D)モデルをトレーニングします。
実験結果から,提案した深部WSDAアプローチは,より高度なシーケンスレベル (bag) レベルとフレームレベル (instance) の痛覚定位精度を達成できることが示唆された。
論文 参考訳（メタデータ） (2019-10-17T21:32:06Z)
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。