論文の概要: An Ensemble with Shared Representations Based on Convolutional Networks
for Continually Learning Facial Expressions
- arxiv url: http://arxiv.org/abs/2103.03934v1
- Date: Fri, 5 Mar 2021 20:40:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-10 04:13:53.093901
- Title: An Ensemble with Shared Representations Based on Convolutional Networks
for Continually Learning Facial Expressions
- Title(参考訳): 畳み込みネットワークに基づく表情の連続学習のための共有表現を用いたアンサンブル
- Authors: Henrique Siqueira, Pablo Barros, Sven Magg and Stefan Wermter
- Abstract要約: アンサンブル予測による半教師付き学習は、人間とロボットの相互作用中に不規則な表情の高い露出を利用するための効率的な戦略です。
伝統的なアンサンブルベースのシステムは、高い冗長性につながる複数の独立した分類器で構成されています。
提案手法は, 異なるデータ分布から抽出したアンサンブルサンプルを用いて, 表情を連続的に学習できることを示す。
- 参考スコア(独自算出の注目度): 19.72032908764253
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Social robots able to continually learn facial expressions could
progressively improve their emotion recognition capability towards people
interacting with them. Semi-supervised learning through ensemble predictions is
an efficient strategy to leverage the high exposure of unlabelled facial
expressions during human-robot interactions. Traditional ensemble-based
systems, however, are composed of several independent classifiers leading to a
high degree of redundancy, and unnecessary allocation of computational
resources. In this paper, we proposed an ensemble based on convolutional
networks where the early layers are strong low-level feature extractors, and
their representations shared with an ensemble of convolutional branches. This
results in a significant drop in redundancy of low-level features processing.
Training in a semi-supervised setting, we show that our approach is able to
continually learn facial expressions through ensemble predictions using
unlabelled samples from different data distributions.
- Abstract(参考訳): 表情を継続的に学習できるソーシャルロボットは、対話する人々に対する感情認識能力を徐々に改善することができる。
アンサンブル予測による半教師付き学習は、人間とロボットの相互作用中に不規則な表情の高い露出を利用するための効率的な戦略です。
しかし、従来のアンサンブルベースのシステムは、高い冗長性、不必要な計算資源の割り当てにつながる複数の独立した分類器で構成されている。
本稿では,初期層が強い低レベル特徴抽出器である畳み込みネットワークに基づくアンサンブルを提案し,それらの表現を畳み込み枝の組合わせで共有する。
その結果、低レベルの特徴処理の冗長性が著しく低下する。
半教師付き環境下でのトレーニングでは,異なるデータ分布の未学習サンプルを用いて,アンサンブル予測によって表情を継続的に学習できることを示す。
関連論文リスト
- Improving Compositional Generalization Using Iterated Learning and
Simplicial Embeddings [19.667133565610087]
構成の一般化は人間には容易だが、ディープニューラルネットワークには難しい。
簡単な埋め込みモデルで繰り返し学習を行うことにより、この能力を向上させることを提案する。
このような変化の組み合わせは、他のアプローチよりも構成の一般化を改善することが示される。
論文 参考訳(メタデータ) (2023-10-28T18:30:30Z) - Decentralized Adversarial Training over Graphs [55.28669771020857]
機械学習モデルの敵攻撃に対する脆弱性は、近年、かなりの注目を集めている。
この研究は、個々のエージェントが様々な強度摂動空間に従属するグラフ上の敵の訓練を研究する。
論文 参考訳(メタデータ) (2023-03-23T15:05:16Z) - Self-Supervised Visual Representation Learning with Semantic Grouping [50.14703605659837]
我々は、未ラベルのシーン中心のデータから視覚表現を学習する問題に取り組む。
本研究では,データ駆動型セマンティックスロット,すなわちSlotConによる協調型セマンティックグルーピングと表現学習のためのコントラスト学習を提案する。
論文 参考訳(メタデータ) (2022-05-30T17:50:59Z) - Learning from Heterogeneous Data Based on Social Interactions over
Graphs [58.34060409467834]
本研究では,個別のエージェントが異なる次元のストリーミング特徴を観察しながら分類問題の解決を目指す分散アーキテクチャを提案する。
私たちはそれを示します。
戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。
私たちはそれを示します。
戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。
論文 参考訳(メタデータ) (2021-12-17T12:47:18Z) - Contrastive Learning for Fair Representations [50.95604482330149]
訓練された分類モデルは、意図せずバイアスのある表現や予測につながる可能性がある。
対戦訓練のような既存の分類モデルのデバイアス化手法は、訓練に高価であり、最適化が困難であることが多い。
比較学習を取り入れたバイアス軽減手法を提案し、同じクラスラベルを共有するインスタンスに類似した表現を推奨する。
論文 参考訳(メタデータ) (2021-09-22T10:47:51Z) - Information Maximization Clustering via Multi-View Self-Labelling [9.947717243638289]
本稿では,意味のある表現を同時に学習し,対応するアノテーションを割り当てる単一フェーズクラスタリング手法を提案する。
これは、離散表現をネットを通じて自己監督パラダイムに統合することで達成される。
実験の結果,提案手法は,平均精度89.1%,49.0%で最先端技術を上回ることがわかった。
論文 参考訳(メタデータ) (2021-03-12T16:04:41Z) - Network Classifiers Based on Social Learning [71.86764107527812]
空間と時間に対して独立に訓練された分類器を結合する新しい手法を提案する。
提案したアーキテクチャは、ラベルのないデータで時間とともに予測性能を改善することができる。
この戦略は高い確率で一貫した学習をもたらすことが示され、未訓練の分類器に対して頑健な構造が得られる。
論文 参考訳(メタデータ) (2020-10-23T11:18:20Z) - Self-organizing Democratized Learning: Towards Large-scale Distributed
Learning Systems [71.14339738190202]
民主化された学習(Dem-AI)は、大規模な分散および民主化された機械学習システムを構築するための基本原則を備えた全体主義的哲学を定めている。
本稿では,Dem-AI哲学にヒントを得た分散学習手法を提案する。
提案アルゴリズムは,従来のFLアルゴリズムと比較して,エージェントにおける学習モデルの一般化性能が向上することを示す。
論文 参考訳(メタデータ) (2020-07-07T08:34:48Z) - Efficient Facial Feature Learning with Wide Ensemble-based Convolutional
Neural Networks [20.09586211332088]
畳み込みネットワークに基づく共有表現を用いたアンサンブル実験について述べる。
本研究では,ESRの分岐レベルを変化させることで,冗長性と計算負荷を劇的に低減できることを示す。
大規模なデータセットの実験では、ESRは残余の一般化誤差を減らすことが示唆されている。
論文 参考訳(メタデータ) (2020-01-17T14:32:27Z)
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。