論文の概要: Deep Recurrent Semi-Supervised EEG Representation Learning for Emotion Recognition

• arxiv url: http://arxiv.org/abs/2107.13505v1
• Date: Wed, 28 Jul 2021 17:21:30 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-29 13:47:27.074710
• Title: Deep Recurrent Semi-Supervised EEG Representation Learning for Emotion Recognition
• Title（参考訳）: 感情認識のための半教師付き脳波表現学習
• Authors: Guangyi Zhang and Ali Etemad
• Abstract要約: 脳波に基づく感情認識は、効果的な計算モデルを構築するのに十分なラベル付きトレーニングサンプルを必要とすることが多い。 ラベル付きデータとラベル付きデータの両方を併用して脳波表現を学習するための半教師付きパイプラインを提案する。 大規模SEED EEGデータセット上でフレームワークをテストし、その結果を他の人気のある半教師付き手法と比較する。
• 参考スコア（独自算出の注目度）: 14.67085109524245
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: EEG-based emotion recognition often requires sufficient labeled training samples to build an effective computational model. Labeling EEG data, on the other hand, is often expensive and time-consuming. To tackle this problem and reduce the need for output labels in the context of EEG-based emotion recognition, we propose a semi-supervised pipeline to jointly exploit both unlabeled and labeled data for learning EEG representations. Our semi-supervised framework consists of both unsupervised and supervised components. The unsupervised part maximizes the consistency between original and reconstructed input data using an autoencoder, while simultaneously the supervised part minimizes the cross-entropy between the input and output labels. We evaluate our framework using both a stacked autoencoder and an attention-based recurrent autoencoder. We test our framework on the large-scale SEED EEG dataset and compare our results with several other popular semi-supervised methods. Our semi-supervised framework with a deep attention-based recurrent autoencoder consistently outperforms the benchmark methods, even when small sub-sets (3\%, 5\% and 10\%) of the output labels are available during training, achieving a new state-of-the-art semi-supervised performance.
• Abstract（参考訳）: eegに基づく感情認識は、効果的な計算モデルを構築するのに十分なラベル付きトレーニングサンプルを必要とすることが多い。 一方、EEGデータのラベル付けは高価で時間を要することが多い。 この問題に対処し,脳波に基づく感情認識の文脈における出力ラベルの必要性を低減するために,未ラベルデータとラベルデータの両方を併用して脳波表現を学習する半教師付きパイプラインを提案する。 半教師付きフレームワークは、教師なしコンポーネントと教師なしコンポーネントの両方で構成されています。 無教師部は、オートエンコーダを用いて元の入力データと再構成された入力データの一貫性を最大化し、同時に、入力ラベルと出力ラベルとのクロスエントロピーを最小化する。 我々は,スタック型オートエンコーダと注意型リカレントオートエンコーダを用いてフレームワークを評価する。 大規模SEED EEGデータセット上でフレームワークをテストし、その結果を他の人気のある半教師付き手法と比較する。 我々の半教師付きフレームワークは、トレーニング中に出力ラベルの小さなサブセット (3\%, 5\%, 10\%) が利用可能であったとしても、常にベンチマーク手法より優れており、新しい最先端の半教師付き性能を実現している。

関連論文リスト

• Subject-Independent Deep Architecture for EEG-based Motor Imagery Classification [0.5439020425819]
  脳波(EEG)に基づく運動脳波(MI)分類は、非侵襲的脳-コンピュータインタフェース(BCI)システムにおいて広く用いられている手法である。 我々は、新しい主題に依存しない半教師付き深層構造(SSDA)を提案する。 提案されたSSDAは、教師なし要素と教師なし要素の2つの部分から構成される。
  論文  参考訳（メタデータ） (2024-01-27T23:05:51Z)
• EEGMatch: Learning with Incomplete Labels for Semi-Supervised EEG-based Cross-Subject Emotion Recognition [7.1695247553867345]
  ラベル付き脳波データとラベルなし脳波データの両方を活用する新しい半教師付き学習フレームワーク(EEGMatch)を提案する。 2つのベンチマークデータベース(SEEDとSEED-IV)で大規模な実験を行う。
  論文  参考訳（メタデータ） (2023-03-27T12:02:33Z)
• Image Understands Point Cloud: Weakly Supervised 3D Semantic Segmentation via Association Learning [59.64695628433855]
  ラベルのない画像から補完的な情報を取り入れた3次元セグメンテーションのための新しいクロスモダリティ弱教師付き手法を提案する。 基本的に、ラベルの小さな部分のパワーを最大化するために、アクティブなラベリング戦略を備えたデュアルブランチネットワークを設計する。 提案手法は,1%未満のアクティブなアノテーションで,最先端の完全教師付き競合よりも優れていた。
  論文  参考訳（メタデータ） (2022-09-16T07:59:04Z)
• A Weakly Supervised Learning Framework for Salient Object Detection via Hybrid Labels [96.56299163691979]
  本稿では,ハイブリッドラベル下でのSODタスクに焦点をあてる。 このタスクにおけるラベルノイズと量不均衡の問題に対処するため、我々は3つの洗練されたトレーニング戦略を持つ新しいパイプラインフレームワークを設計する。 5つのSODベンチマーク実験により,本手法は弱教師付き/非教師付き手法と競合する性能を示した。
  論文  参考訳（メタデータ） (2022-09-07T06:45:39Z)
• Creating Training Sets via Weak Indirect Supervision [66.77795318313372]
  Weak Supervision (WS)フレームワークは、複数の潜在的にノイズの多い監督ソースからトレーニングラベルを合成する。 Weak Indirect Supervision (WIS) は、トレーニングラベルの自動合成のための新しい研究課題である。 我々は,ユーザが提供するラベル関係を利用して間接的な監督源をモデル化し活用する確率論的モデリング手法PLRMを開発した。
  論文  参考訳（メタデータ） (2021-10-07T14:09:35Z)
• Subject Independent Emotion Recognition using EEG Signals Employing Attention Driven Neural Networks [2.76240219662896]
  主観非依存の感情認識が可能な新しいディープラーニングフレームワークを提案する。 タスクを実行するために、アテンションフレームワークを備えた畳み込みニューラルネットワーク(CNN)を提示する。 提案手法は、公開データセットを使用して検証されている。
  論文  参考訳（メタデータ） (2021-06-07T09:41:15Z)
• WSSOD: A New Pipeline for Weakly- and Semi-Supervised Object Detection [75.80075054706079]
  弱機能および半教師付きオブジェクト検出フレームワーク(WSSOD)を提案する。 エージェント検出器は、まず関節データセット上でトレーニングされ、弱注釈画像上で擬似境界ボックスを予測するために使用される。 提案フレームワークはPASCAL-VOC と MSCOCO のベンチマークで顕著な性能を示し,完全教師付き環境で得られたものと同等の性能を達成している。
  論文  参考訳（メタデータ） (2021-05-21T11:58:50Z)
• Estimating the electrical power output of industrial devices with end-to-end time-series classification in the presence of label noise [6.857190736208506]
  本研究では,中規模企業施設のコンバインドヒート・アンド・パワー・マシンの発電量の推定に焦点をあてる。 施設が完全に測定され,CHPからのセンサ測定が可能となると,トレーニングラベルを自動生成する。 本稿では,共有組込み表現を用いた分類器とオートエンコーダを共同で学習する,新しいマルチタスクディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-05-01T21:45:42Z)
• Semi-supervised Left Atrium Segmentation with Mutual Consistency Training [60.59108570938163]
  3次元MR画像からの半教師付き左房分割のための新しいMultual Consistency Network(MC-Net)を提案する。 我々のMC-Netは1つのエンコーダと2つのわずかに異なるデコーダから構成されており、2つのデコーダの予測誤差は教師なしの損失として変換される。 我々は,公開左心房(la)データベース上でmc-netを評価し,ラベルなしデータを効果的に活用することで印象的な性能向上を実現する。
  論文  参考訳（メタデータ） (2021-03-04T09:34:32Z)
• EHSOD: CAM-Guided End-to-end Hybrid-Supervised Object Detection with Cascade Refinement [53.69674636044927]
  本稿では,エンド・ツー・エンドのハイブリッド型オブジェクト検出システムであるEHSODについて述べる。 完全なアノテートと弱いアノテートの両方で、ワンショットでトレーニングすることができる。 完全なアノテートされたデータの30%しか持たない複数のオブジェクト検出ベンチマークで、同等の結果が得られる。
  論文  参考訳（メタデータ） (2020-02-18T08:04:58Z)

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。