論文の概要: Generalizing Gaze Estimation with Outlier-guided Collaborative Adaptation

• arxiv url: http://arxiv.org/abs/2107.13780v1
• Date: Thu, 29 Jul 2021 07:23:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-30 13:17:06.120198
• Title: Generalizing Gaze Estimation with Outlier-guided Collaborative Adaptation
• Title（参考訳）: 外周誘導協調適応による注視推定の一般化
• Authors: Yunfei Liu, Ruicong Liu, Haofei Wang, Feng Lu
• Abstract要約: ディープニューラルネットワークは外観に基づく視線推定精度を大幅に改善した。 本稿では,プラグイン・アンド・プレイ適応フレームワーク(GA)を提案する。 GAは、外れ手の指導と協調して学習するネットワークの集合体である。
• 参考スコア（独自算出の注目度）: 16.0559382707645
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep neural networks have significantly improved appearance-based gaze estimation accuracy. However, it still suffers from unsatisfactory performance when generalizing the trained model to new domains, e.g., unseen environments or persons. In this paper, we propose a plug-and-play gaze adaptation framework (PnP-GA), which is an ensemble of networks that learn collaboratively with the guidance of outliers. Since our proposed framework does not require ground-truth labels in the target domain, the existing gaze estimation networks can be directly plugged into PnP-GA and generalize the algorithms to new domains. We test PnP-GA on four gaze domain adaptation tasks, ETH-to-MPII, ETH-to-EyeDiap, Gaze360-to-MPII, and Gaze360-to-EyeDiap. The experimental results demonstrate that the PnP-GA framework achieves considerable performance improvements of 36.9%, 31.6%, 19.4%, and 11.8% over the baseline system. The proposed framework also outperforms the state-of-the-art domain adaptation approaches on gaze domain adaptation tasks. Code has been released at https://github.com/DreamtaleCore/PnP-GA.
• Abstract（参考訳）: ディープニューラルネットワークは外観に基づく視線推定精度を大幅に改善した。 しかし、訓練されたモデルを新しいドメイン(例えば、見えない環境や人)に一般化する場合、まだ不十分なパフォーマンスに苦しむ。 本稿では,外乱の誘導と協調して学習するネットワークの集合体であるPnP-GAを提案する。 提案手法では対象領域の基底ラベルを必要としないため,既存の視線推定ネットワークをpnp-gaに直接接続し,アルゴリズムを新たな領域に一般化することができる。 PnP-GAは、ETH-to-MPII、ETH-to-EyeDiap、Gaze360-to-MPII、Gaze360-to-EyeDiapの4つの視線領域適応タスクでテストする。 実験の結果,pnp-gaフレームワークの性能改善は36.9%,31.6%,19.4%,11.8%であった。 提案するフレームワークは、視線領域適応タスクにおける最先端のドメイン適応アプローチよりも優れている。 コードはhttps://github.com/DreamtaleCore/PnP-GAでリリースされた。

関連論文リスト

• Domain Adaptive Unfolded Graph Neural Networks [6.675805308519987]
  グラフニューラルネットワーク(GNN)は多くのグラフ機械学習タスクで大きく進歩している。 本稿では,アーキテクチャの強化によるグラフ領域適応(GDA)の促進について考察する。 低レベル目標値の低減が保証されるカスケード伝搬(CP)と呼ばれる,単純かつ効果的な手法を提案する。
  論文  参考訳（メタデータ） (2024-11-20T09:05:36Z)
• SpGesture: Source-Free Domain-adaptive sEMG-based Gesture Recognition with Jaccard Attentive Spiking Neural Network [18.954398018873682]
  表面筋電図(sEMG)に基づくジェスチャー認識は、ウェアラブルデバイスに対して自然な、直感的な相互作用のモダリティを提供する。 既存の手法は、しばしば高い計算遅延とエネルギー消費の増大に悩まされる。 スパイキングニューラルネットワークに基づく新しいSpGestureフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-23T10:15:29Z)
• Improving Domain Generalization on Gaze Estimation via Branch-out Auxiliary Regularization [3.3539987257923247]
  ブランチアウト補助正規化(BAR)は、ターゲットドメインデータに直接アクセスすることなく、視線推定の一般化能力を高めるように設計されている。 Barは2つの補助的な整合性正規化ブランチを統合している。ひとつは環境変動に対処するために強化サンプルを使用するもので、もうひとつは、一貫した視線特徴の学習を促進するために、視線方向を正のソース領域サンプルと整列するものだ。
  論文  参考訳（メタデータ） (2024-05-02T16:26:37Z)
• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)
• Provably Powerful Graph Neural Networks for Directed Multigraphs [19.60894351049644]
  本稿では、標準的なメッセージパッシンググラフニューラルネットワークを有向多重グラフニューラルネットワークに変換する単純な適応の集合を解析する。 適応には、マルチグラフポート番号、ego ID、リバースメッセージパッシングが含まれる。 これらの組み合わせが理論的に任意の有向部分グラフパターンの検出を可能にすることを証明している。
  論文  参考訳（メタデータ） (2023-06-20T15:03:31Z)
• Generalized Universal Domain Adaptation with Generative Flow Networks [76.1350941965148]
  Generalized Universal Domain Adaptationは、未知のカテゴリを含む全てのターゲットラベルの正確な予測を実現することを目的としている。 GUDAはラベル分布シフトベースとラベル空間ミスマッチベースとのギャップを埋める。 本稿では,報酬関数に比例した確率を持つ多種多様なサンプルを選択する,GFlowDAというドメイン適応アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-05-08T05:34:15Z)
• 3DGazeNet: Generalizing Gaze Estimation with Weak-Supervision from Synthetic Views [67.00931529296788]
  本稿では,適応を伴わない新しい環境に直接適用可能な一般的な視線推定モデルを訓練することを提案する。 視覚的擬似アノテーションを用いた多彩な顔の大規模データセットを作成し、シーンの3次元形状に基づいて抽出する。 本研究では,本手法を視線一般化タスクにおいて検証し,真理データが得られない場合の最先端技術と比較して最大30%の改善を実証する。
  論文  参考訳（メタデータ） (2022-12-06T14:15:17Z)
• Deep face recognition with clustering based domain adaptation [57.29464116557734]
  そこで本研究では,ターゲットドメインとソースがクラスを共有しない顔認識タスクを対象とした,クラスタリングに基づく新しいドメイン適応手法を提案する。 本手法は,特徴領域をグローバルに整列させ,その一方で,対象クラスタを局所的に識別することで,識別対象特徴を効果的に学習する。
  論文  参考訳（メタデータ） (2022-05-27T12:29:11Z)
• OTAdapt: Optimal Transport-based Approach For Unsupervised Domain Adaptation [10.485172090696642]
  本稿では, 最適輸送ベース距離に基づいて, 教師なし領域適応に対する新しいアプローチを提案する。 このアプローチは、ドメイン間で有意義なメトリクスを必要とせずに、ターゲットドメインとソースドメインの整合を可能にする。 提案手法は,様々な問題において異なるデータセット上で評価される。
  論文  参考訳（メタデータ） (2022-05-22T04:25:24Z)
• Bayesian Graph Neural Networks with Adaptive Connection Sampling [62.51689735630133]
  グラフニューラルネットワーク(GNN)における適応接続サンプリングのための統一的なフレームワークを提案する。 提案フレームワークは,深部GNNの過度なスムース化や過度に適合する傾向を緩和するだけでなく,グラフ解析タスクにおけるGNNによる不確実性の学習を可能にする。
  論文  参考訳（メタデータ） (2020-06-07T07:06:35Z)
• Supervised Domain Adaptation: A Graph Embedding Perspective and a Rectified Experimental Protocol [87.76993857713217]
  本稿では、ソースとターゲットのドメインデータ間のペアワイズ関係を用いたドメイン適応法をグラフ埋め込みとして定式化できることを示す。 具体的には、既存の3つのSupervised Domain Adaptationメソッドの損失関数を分析し、グラフ埋め込みを行うことを示す。
  論文  参考訳（メタデータ） (2020-04-23T15:46:20Z)

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。