論文の概要: Deep DA for Ordinal Regression of Pain Intensity Estimation Using Weakly-Labeled Videos

• arxiv url: http://arxiv.org/abs/2010.15675v4
• Date: Mon, 11 Sep 2023 21:25:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-13 18:30:34.686430
• Title: Deep DA for Ordinal Regression of Pain Intensity Estimation Using Weakly-Labeled Videos
• Title（参考訳）: 弱ラベルビデオを用いた痛み強度推定の順序回帰のための深いda
• Authors: Gnana Praveen R, Eric Granger, Patrick Cardinal
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 15.34487189996453
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic estimation of pain intensity from facial expressions in videos has an immense potential in health care applications. However, domain adaptation (DA) is needed to alleviate the problem of domain shifts that typically occurs between video data captured in source and target do-mains. Given the laborious task of collecting and annotating videos, and the subjective bias due to ambiguity among adjacent intensity levels, weakly-supervised learning (WSL)is gaining attention in such applications. Yet, most state-of-the-art WSL models are typically formulated as regression problems, and do not leverage the ordinal relation between intensity levels, nor the temporal coherence of multiple consecutive frames. This paper introduces a new deep learn-ing model for weakly-supervised DA with ordinal regression(WSDA-OR), where videos in target domain have coarse la-bels provided on a periodic basis. The WSDA-OR model enforces ordinal relationships among the intensity levels as-signed to the target sequences, and associates multiple relevant frames to sequence-level labels (instead of a single frame). In particular, it learns discriminant and domain-invariant feature representations by integrating multiple in-stance learning with deep adversarial DA, where soft Gaussian labels are used to efficiently represent the weak ordinal sequence-level labels from the target domain. The proposed approach was validated on the RECOLA video dataset as fully-labeled source domain, and UNBC-McMaster video data as weakly-labeled target domain. We have also validated WSDA-OR on BIOVID and Fatigue (private) datasets for sequence level estimation. Experimental results indicate that our approach can provide a significant improvement over the state-of-the-art models, allowing to achieve a greater localization accuracy.
• Abstract（参考訳）: ビデオにおける表情からの痛みの強さの自動推定は、医療応用において大きな可能性を秘めている。 しかし、ドメイン適応(DA)は、通常、ソースでキャプチャされたビデオデータとターゲットドメインの間で発生するドメインシフトの問題を軽減するために必要である。 ビデオの収集と注釈作成に手間がかかり、隣接する強度レベル間のあいまいさによる主観的バイアスから、弱い教師付き学習(wsl)が注目されている。 しかし、最先端のWSLモデルは一般的に回帰問題として定式化され、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,対象領域の動画が周期的に粗いラベルを持つような,順序回帰(WSDA-OR)を用いた弱教師付き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し、複数の関連するフレームを(単一のフレームの代わりに)シーケンスレベルのラベルに関連付ける。 特に、複数のインスタンス学習と深い敵対DAを統合することで、識別的およびドメイン不変の特徴表現を学習し、ソフトガウスラベルを用いて、ターゲットドメインからの弱い順序レベルラベルを効率的に表現する。 提案手法は,RECOLAビデオデータセットを完全ラベル付きソースドメインとして,UNBC-McMasterビデオデータを弱いラベル付きターゲットドメインとして検証した。 また,BIOVIDと疲労(プライベート)データセットを用いてシーケンスレベルの推定を行った。 実験結果から,本手法は最先端モデルよりも大幅に向上し,より高精度なローカライゼーションを実現することが可能であることが示唆された。

関連論文リスト

• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• 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)
• Conditional Extreme Value Theory for Open Set Video Domain Adaptation [17.474956295874797]
  本稿では,ソースとターゲットデータ間の領域差を軽減するために,オープンセットの映像領域適応手法を提案する。 負の伝達問題を緩和するために、サンプルエントロピーからしきい値までの距離によって計算された重みを、対向学習に活用する。 提案手法は,小規模と大規模の両方のクロスドメインビデオデータセットに対して徹底的に評価されている。
  論文  参考訳（メタデータ） (2021-09-01T10:51:50Z)
• 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)
• Instance Level Affinity-Based Transfer for Unsupervised Domain Adaptation [74.71931918541748]
  ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。 まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。 ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
  論文  参考訳（メタデータ） (2021-04-03T01:33:14Z)
• Unsupervised and self-adaptative techniques for cross-domain person re-identification [82.54691433502335]
  非重複カメラにおける人物再識別(ReID)は難しい課題である。 Unsupervised Domain Adaptation(UDA)は、ソースで訓練されたモデルから、IDラベルアノテーションなしでターゲットドメインへの機能学習適応を実行するため、有望な代替手段です。 本稿では,新しいオフライン戦略によって生成されたサンプルのトリプレットを利用する,UDAベースのReID手法を提案する。
  論文  参考訳（メタデータ） (2021-03-21T23:58:39Z)
• Deep Domain Adaptation for Ordinal Regression of Pain Intensity Estimation Using Weakly-Labelled Videos [13.994609732846344]
  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。
  論文  参考訳（メタデータ） (2020-08-13T15:42:23Z)
• ESL: Entropy-guided Self-supervised Learning for Domain Adaptation in Semantic Segmentation [35.03150829133562]
  より正確な擬似ラベルを生成するための信頼性指標としてエントロピーを利用したエントロピー誘導型自己教師学習を提案する。 異なるUDAベンチマークでは、ESLは強いSSLベースラインを一貫して上回り、最先端の結果を得る。
  論文  参考訳（メタデータ） (2020-06-15T18:10:09Z)
• 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。