論文の概要: FS-HGR: Few-shot Learning for Hand Gesture Recognition via
ElectroMyography
- arxiv url: http://arxiv.org/abs/2011.06104v1
- Date: Wed, 11 Nov 2020 22:33:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-27 01:10:16.999582
- Title: FS-HGR: Few-shot Learning for Hand Gesture Recognition via
ElectroMyography
- Title（参考訳）: FS-HGR:筋電図による手指ジェスチャー認識のためのFew-shot Learning
- Authors: Elahe Rahimian, Soheil Zabihi, Amir Asif, Dario Farina, Seyed Farokh
Atashzar, and Arash Mohammadi
- Abstract要約: ほとんどショットラーニング(Few-Shot Learning)は、ドメイン適応の変種であり、1つまたは数個のトレーニング例に基づいて必要なアウトプットを推測することを目的としている。
提案手法は,5-way 5-shot(5-way 5-shot)と5-way 5-shot(5-way 5-shot)と5-way 5-shot(5-way 5-shot)と2-way 5-shot(5-way 5-shot)と2-way 5-shot(5-way 5-shot)と2-way 5-shot(5-way 5-shot)とで,85.94%の分類精度を得た。
- 参考スコア（独自算出の注目度）: 19.795875814764116
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This work is motivated by the recent advances in Deep Neural Networks (DNNs)
and their widespread applications in human-machine interfaces. DNNs have been
recently used for detecting the intended hand gesture through processing of
surface electromyogram (sEMG) signals. The ultimate goal of these approaches is
to realize high-performance controllers for prosthetic. However, although DNNs
have shown superior accuracy than conventional methods when large amounts of
data are available for training, their performance substantially decreases when
data are limited. Collecting large datasets for training may be feasible in
research laboratories, but it is not a practical approach for real-life
applications. Therefore, there is an unmet need for the design of a modern
gesture detection technique that relies on minimal training data while
providing high accuracy. Here we propose an innovative and novel "Few-Shot
Learning" framework based on the formulation of meta-learning, referred to as
the FS-HGR, to address this need. Few-shot learning is a variant of domain
adaptation with the goal of inferring the required output based on just one or
a few training examples. More specifically, the proposed FS-HGR quickly
generalizes after seeing very few examples from each class. The proposed
approach led to 85.94% classification accuracy on new repetitions with few-shot
observation (5-way 5-shot), 81.29% accuracy on new subjects with few-shot
observation (5-way 5-shot), and 73.36% accuracy on new gestures with few-shot
observation (5-way 5-shot).
- Abstract（参考訳）: この研究は、Deep Neural Networks(DNN)の最近の進歩と、人間と機械のインターフェイスに広く応用されていることによる。
DNNは、最近、表面筋電図(sEMG)信号の処理により、意図した手の動きを検出するために使用されている。
これらのアプローチの最終的な目標は、補綴用高性能コントローラを実現することである。
しかし、DNNはトレーニング用に大量のデータを利用できる従来の方法よりも精度が優れているが、データを制限すると性能が大幅に低下する。
大規模なデータセットをトレーニングのために収集することは、研究所で実現可能だが、現実の応用には実用的ではない。
したがって、精度を高めつつ、最小限のトレーニングデータに依存する現代的なジェスチャー検出技術の設計は、不当に必要である。
本稿では,FS-HGRと呼ばれるメタラーニングの定式化に基づく,革新的で斬新な"Few-Shot Learning"フレームワークを提案する。
Few-shot Learningはドメイン適応の変種であり、必要な出力を1つまたは数個のトレーニング例に基づいて推測することを目的としている。
より具体的には、提案されたFS-HGRは、各クラスからのごくわずかな例を見てすぐに一般化する。
提案手法は,5-way 5-shot(5-way 5-shot(5-way 5-shot))と81.29%(5-way 5-shot(5-way 5-shot))、73.36%(5-way 5-shot(5-way 5-shot))である。
関連論文リスト
- Rejection Sampling IMLE: Designing Priors for Better Few-Shot Image
Synthesis [7.234618871984921]
新たな研究分野は、限られたトレーニングデータで深層生成モデルを学ぶことを目的としている。
トレーニングに使用する事前分布を変更する新しいアプローチであるRS-IMLEを提案する。
これにより、既存のGANやIMLEベースの手法に比べて画質が大幅に向上する。
論文 参考訳（メタデータ） (2024-09-26T00:19:42Z) - Just How Flexible are Neural Networks in Practice? [89.80474583606242]
ニューラルネットワークは、パラメータを持つ少なくとも多くのサンプルを含むトレーニングセットに適合できると広く信じられている。
しかし実際には、勾配や正規化子など、柔軟性を制限したトレーニング手順によるソリューションしか見つからない。
論文 参考訳（メタデータ） (2024-06-17T12:24:45Z) - Comparison of gait phase detection using traditional machine learning
and deep learning techniques [3.11526333124308]
本研究では,人間歩行のための低レベルEMGデータに基づく機械学習(ML)モデルを提案する。
その結果,従来のMLモデルでは75%,ディープラーニング(DL)モデルでは79%の精度が得られた。
論文 参考訳（メタデータ） (2024-03-07T10:05:09Z) - A Deep Learning Sequential Decoder for Transient High-Density
Electromyography in Hand Gesture Recognition Using Subject-Embedded Transfer
Learning [11.170031300110315]
ハンドジェスチャ認識(HGR)は、AIによる人間コンピュータの利用の増加により注目されている。
これらのインターフェースには、拡張現実の制御、アジャイルの義肢、外骨格など、さまざまなアプリケーションがある。
これらのインターフェースには、拡張現実の制御、アジャイルの義肢、外骨格など、さまざまなアプリケーションがある。
論文 参考訳（メタデータ） (2023-09-23T05:32:33Z) - Auto-Transfer: Learning to Route Transferrable Representations [77.30427535329571]
本稿では,適切なターゲット表現にソース表現をルートする方法を自動学習する,新しい対向型マルチアームバンディット手法を提案する。
最先端の知識伝達手法と比較すると,5%以上の精度向上が期待できる。
論文 参考訳（メタデータ） (2022-02-02T13:09:27Z) - Benchmarking Accuracy and Generalizability of Four Graph Neural Networks
Using Large In Vitro ADME Datasets from Different Chemical Spaces [6.118940071203314]
グラフ畳み込みネットワーク(GCN)、グラフ注意ネットワーク(GAT)、メッセージパッシングニューラルネットワーク(MPNN)、注意フィンガープリント(AttentiveFP)の4種類について考察する。
すべてのGNNモデルは、指紋のみに基づく従来の低バーベンチマークモデルよりも大幅に優れている。
GATだけが、従来のベンチマークモデルよりも小さいが一貫した改善を提供するようだ。
論文 参考訳（メタデータ） (2021-11-27T18:54:38Z) - Few-shot Quality-Diversity Optimization [50.337225556491774]
品質多様性(QD)の最適化は、強化学習における知覚的最小値とスパース報酬を扱う上で効果的なツールであることが示されている。
本稿では,タスク分布の例から,パラメータ空間の最適化によって得られる経路の情報を利用して,未知の環境でQD手法を初期化する場合,数発の適応が可能であることを示す。
ロボット操作とナビゲーションベンチマークを用いて、疎密な報酬設定と密集した報酬設定の両方で実施された実験は、これらの環境でのQD最適化に必要な世代数を著しく削減することを示している。
論文 参考訳（メタデータ） (2021-09-14T17:12:20Z) - Few-Cost Salient Object Detection with Adversarial-Paced Learning [95.0220555274653]
本稿では,少数のトレーニング画像にのみ手動アノテーションを応用して,効果的なサルエント物体検出モデルを学習することを提案する。
我々は,このタスクを,少額の有能な物体検出とみなし,少数のコストの学習シナリオを促進するために,APL(Adversarialpaced Learning)ベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2021-04-05T14:15:49Z) - Few-shot Weakly-Supervised Object Detection via Directional Statistics [55.97230224399744]
少数ショットコモンオブジェクトローカライゼーション(COL)と少数ショット弱監視オブジェクト検出(WSOD)のための確率論的多重インスタンス学習手法を提案する。
本モデルでは,新しいオブジェクトの分布を同時に学習し,期待-最大化ステップにより局所化する。
提案手法は, 単純であるにもかかわらず, 少数のCOLとWSOD, 大規模WSODタスクにおいて, 高いベースラインを達成できることを示す。
論文 参考訳（メタデータ） (2021-03-25T22:34:16Z) - Lifelong Object Detection [28.608982224098565]
私たちは、新しいトレーニングクラスが逐次的に到着し、モデルを漸進的に洗練するという事実を活用します。
我々は、高精度かつ効率的な予測のために、代表対象検出器であるFaster R-CNNを検討する。
論文 参考訳（メタデータ） (2020-09-02T15:08:51Z) - Incremental Few-Shot Object Detection [96.02543873402813]
OpeN-ended Centre nEtは、いくつかの例でクラスオブジェクトの検出を漸進的に学習する検出器である。
ONCEはインクリメンタルな学習パラダイムを十分に尊重しており、新しいクラス登録では、数発のトレーニングサンプルを1回だけフォワードパスするだけでよい。
論文 参考訳（メタデータ） (2020-03-10T12:56:59Z)
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。