Fugu-MT 論文翻訳(概要): A Framework for Recognizing and Estimating Human Concentration Levels

論文の概要: A Framework for Recognizing and Estimating Human Concentration Levels

arxiv url: http://arxiv.org/abs/2104.11421v1
Date: Fri, 23 Apr 2021 05:37:48 GMT
ステータス: 処理完了
システム内更新日: 2021-04-26 19:23:21.008299
Title: A Framework for Recognizing and Estimating Human Concentration Levels
Title（参考訳）: 人間濃度レベルを認識・推定するための枠組み
Authors: Woodo Lee, Jakyung Koo, Nokyung Park, Pilgu Kang, Jeakwon Shim
Abstract要約: 本稿では,最小の身体運動データを用いて,微妙なレベルを所定の状態として推定する。この枠組みを用いて,講師の援助や他分野への展開に使用できる濃度レベルを抽出した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: One of the major tasks in online education is to estimate the concentration levels of each student. Previous studies have a limitation of classifying the levels using discrete states only. The purpose of this paper is to estimate the subtle levels as specified states by using the minimum amount of body movement data. This is done by a framework composed of a Deep Neural Network and Kalman Filter. Using this framework, we successfully extracted the concentration levels, which can be used to aid lecturers and expand to other areas.
Abstract（参考訳）: オンライン教育における主要な課題の1つは、各学生の濃度を推定することである。従来の研究では、離散状態のみを使用してレベルを分類する制限があった。本研究の目的は, 最小の身体運動データを用いて, 所定の状態として微妙なレベルを推定することである。これはDeep Neural NetworkとKalman Filterで構成されるフレームワークによって行われる。この枠組みを用いて,講師の援助や他分野への展開に使用できる濃度レベルを抽出した。

関連論文リスト

Cross-Level Distillation and Feature Denoising for Cross-Domain Few-Shot Classification [49.36348058247138]
トレーニング段階において,対象領域内のラベルなし画像のごく一部をアクセス可能にすることで,ドメイン間数ショット分類の問題に対処する。我々は,対象データセットのより識別的な特徴を抽出するモデルの能力を高めるため,クロスレベルな知識蒸留法を慎重に設計する。提案手法は,従来の動的蒸留法を5.44%,1.37%,5ショット分類法を1.37%超えることができる。
論文参考訳（メタデータ） (2023-11-04T12:28:04Z)
Hierarchical Point-based Active Learning for Semi-supervised Point Cloud Semantic Segmentation [48.40853126077237]
大規模ポイントクラウドデータをポイントワイドラベルで取得することは、労働集約的だ。アクティブラーニングは、この目的を達成するための効果的な戦略の1つだが、まだ探索されていない。本稿では,階層的なポイントベースアクティブラーニング戦略を開発する。
論文参考訳（メタデータ） (2023-08-22T03:52:05Z)
Automated Imbalanced Classification via Layered Learning [0.734084539365505]
トレーニングインスタンスのクラス分布のバランスをとるために再サンプリング戦略を適用することは、これらの問題に対処するための一般的なアプローチである。多くの最先端の手法は、再サンプリングプロセスを実行するために決定境界に近い関心の事例を見つける。オーバーサンプリングは、少数層からインスタンスに含まれる情報を伝播することで、過度に適合する可能性を高める可能性がある。
論文参考訳（メタデータ） (2022-05-05T10:32:24Z)
Continual Coarse-to-Fine Domain Adaptation in Semantic Segmentation [22.366638308792734]
ディープニューラルネットワークは通常、特定のタスクとデータ分散のために、単一のショットでトレーニングされる。実際の環境では、タスクとアプリケーションドメインの両方が変更される可能性がある。本稿では,ドメインシフトが存在する場合のセマンティックセグメンテーションアーキテクチャの粗大な学習という新たな課題を紹介する。
論文参考訳（メタデータ） (2022-01-18T13:31:19Z)
Identifying Class Specific Filters with L1 Norm Frequency Histograms in Deep CNNs [1.1278903078792917]
我々はDeep Convolutional Networksの最終層と最後層を分析した。クラスに対するネットワークの決定に最も寄与する機能のサブセットを特定します。
論文参考訳（メタデータ） (2021-12-14T19:40:55Z)
Point-supervised Segmentation of Microscopy Images and Volumes via Objectness Regularization [2.243486411968779]
この作業により、イメージ上のセマンティックセグメンテーションネットワークのトレーニングが、1インスタンスあたりのトレーニングのための単一のポイントで可能になる。デジタル病理学における挑戦的なデータセットにおけるポイント・スーパーバイザーのセマンティクス・セグメンテーションの最先端に対する競争結果を達成します。
論文参考訳（メタデータ） (2021-03-09T18:40:00Z)
Partial Is Better Than All: Revisiting Fine-tuning Strategy for Few-shot Learning [76.98364915566292]
一般的なプラクティスは、まずベースセット上でモデルをトレーニングし、その後、微調整によって新しいクラスに移行することである。本稿では,基本モデル内の特定の層を凍結あるいは微調整することにより,部分的知識の伝達を提案する。提案手法の有効性を実証するために, CUB と mini-ImageNet の広範な実験を行った。
論文参考訳（メタデータ） (2021-02-08T03:27:05Z)
A Teacher-Student Framework for Semi-supervised Medical Image Segmentation From Mixed Supervision [62.4773770041279]
そこで我々は,臓器と病変のセグメンテーションのための教師と学生のスタイルに基づくセミ教師付き学習フレームワークを開発した。我々は,本モデルがバウンディングボックスの品質に対して堅牢であることを示し,フル教師付き学習手法と比較した性能を実現する。
論文参考訳（メタデータ） (2020-10-23T07:58:20Z)
Cooperative Bi-path Metric for Few-shot Learning [50.98891758059389]
数発の分類問題の調査に2つの貢献をしている。本稿では,従来の教師あり学習法において,ベースクラスで訓練されたシンプルで効果的なベースラインについて報告する。本稿では, 基礎クラスと新しいクラス間の相関を利用して, 精度の向上を図る, 分類のための協調的二経路計量を提案する。
論文参考訳（メタデータ） (2020-08-10T11:28:52Z)
Towards Using Count-level Weak Supervision for Crowd Counting [55.58468947486247]
本稿では,少数の位置レベルのアノテーション(十分に教師された)と大量のカウントレベルのアノテーション(弱教師付き)からモデルを学習する,弱教師付き群集カウントの問題について検討する。我々は、生成した密度マップの自由を制限するための正規化を構築するために、単純なyet効果のトレーニング戦略、すなわちMultiple Auxiliary Tasks Training (MATT)を考案した。
論文参考訳（メタデータ） (2020-02-29T02:58:36Z)

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。