論文の概要: Self-supervised Secondary Landmark Detection via 3D Representation Learning

• arxiv url: http://arxiv.org/abs/2110.00543v1
• Date: Fri, 1 Oct 2021 17:15:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-04 14:33:44.044255
• Title: Self-supervised Secondary Landmark Detection via 3D Representation Learning
• Title（参考訳）: 3次元表現学習による自己教師付き二次ランドマーク検出
• Authors: Praneet C. Bala, Jan Zimmermann, Hyun Soo Park, and Benjamin Y. Hayden
• Abstract要約: 本研究では,3次元空間における一次ランドマークと二次ランドマークの空間的関係を学習する手法を提案する。 この学習は、マカク、ハエ、人間を含む多様な生物の様々なマルチビュー設定に適用することができる。
• 参考スコア（独自算出の注目度）: 13.157012771922801
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent technological developments have spurred great advances in the computerized tracking of joints and other landmarks in moving animals, including humans. Such tracking promises important advances in biology and biomedicine. Modern tracking models depend critically on labor-intensive annotated datasets of primary landmarks by non-expert humans. However, such annotation approaches can be costly and impractical for secondary landmarks, that is, ones that reflect fine-grained geometry of animals, and that are often specific to customized behavioral tasks. Due to visual and geometric ambiguity, nonexperts are often not qualified for secondary landmark annotation, which can require anatomical and zoological knowledge. These barriers significantly impede downstream behavioral studies because the learned tracking models exhibit limited generalizability. We hypothesize that there exists a shared representation between the primary and secondary landmarks because the range of motion of the secondary landmarks can be approximately spanned by that of the primary landmarks. We present a method to learn this spatial relationship of the primary and secondary landmarks in three dimensional space, which can, in turn, self-supervise the secondary landmark detector. This 3D representation learning is generic, and can therefore be applied to various multiview settings across diverse organisms, including macaques, flies, and humans.
• Abstract（参考訳）: 近年の技術進歩は、人間を含む移動動物における関節やその他のランドマークのコンピュータによる追跡に大きな進歩をもたらした。 このような追跡は生物学や医学の重要な進歩を約束する。 現代の追跡モデルは、非専門家による主要なランドマークの労働集約的な注釈付きデータセットに大きく依存している。 しかし、このようなアノテーションアプローチは、動物の細粒度の幾何学を反映し、しばしばカスタマイズされた行動タスクに特有な、二次的なランドマークに対してコスト的かつ非実用的である。 視覚的および幾何学的曖昧さのため、非専門家は解剖学や動物学の知識を必要とする二次的なランドマークのアノテーションに適さないことが多い。 これらの障壁は、学習された追跡モデルが限定的な一般化性を示すため、下流の行動研究を著しく阻害する。 二次ランドマークの運動範囲は一次ランドマークと二次ランドマークとで大まかに広がるため、一次ランドマークと二次ランドマークの間に共有表現が存在すると仮定する。 本稿では,3次元空間における一次的および二次的ランドマークの空間的関係を学習し,二次的ランドマーク検出器を自己監督する手法を提案する。 この3d表現学習は汎用的であり、マカク、ハエ、人間を含む多様な生物の様々なマルチビュー設定に適用することができる。

関連論文リスト

• Does Spatial Cognition Emerge in Frontier Models? [56.47912101304053]
  本研究では,フロンティアモデルにおける空間認知を体系的に評価するベンチマークSPACEを提案する。 その結果、現代のフロンティアモデルは動物の空間知能に劣っていることが示唆された。
  論文  参考訳（メタデータ） (2024-10-09T01:41:49Z)
• Unsupervised 3D Keypoint Discovery with Multi-View Geometry [104.76006413355485]
  本研究では,多視点画像から人体上の3Dキーポイントを,監督やラベルなしで発見するアルゴリズムを提案する。 我々の手法は、他の最先端の教師なしアプローチと比較して、より解釈可能で正確な3Dキーポイントを発見する。
  論文  参考訳（メタデータ） (2022-11-23T10:25:12Z)
• Stochastic Coherence Over Attention Trajectory For Continuous Learning In Video Streams [64.82800502603138]
  本稿では,映像ストリーム中のピクセルワイズ表現を段階的かつ自律的に開発するための,ニューラルネットワークに基づく新しいアプローチを提案する。 提案手法は, 参加者の入場地を観察することで, エージェントが学習できる, 人間の様の注意機構に基づく。 実験では,3次元仮想環境を利用して,映像ストリームを観察することで,エージェントが物体の識別を学べることを示す。
  論文  参考訳（メタデータ） (2022-04-26T09:52:31Z)
• Beyond Tracking: Using Deep Learning to Discover Novel Interactions in Biological Swarms [3.441021278275805]
  本稿では,システムレベルの状態を全体像から直接予測するディープ・ネットワーク・モデルを提案する。 結果の予測モデルは、人間の理解した予測モデルに基づいていないため、説明モジュールを使用する。 これは、行動生態学における人工知能の例である。
  論文  参考訳（メタデータ） (2021-08-20T22:50:41Z)
• Pretrained equivariant features improve unsupervised landmark discovery [69.02115180674885]
  我々は、この課題を克服する2段階の教師なしアプローチを、強力なピクセルベースの特徴を初めて学習することによって定式化する。 本手法は,いくつかの難解なランドマーク検出データセットにおいて最先端の結果を生成する。
  論文  参考訳（メタデータ） (2021-04-07T05:42:11Z)
• A primer on model-guided exploration of fitness landscapes for biological sequence design [0.0]
  このプライマーでは、「探索戦略」と呼ばれる実験設計のためのアルゴリズムが、シーケンス・トゥ・ファンクション・マップの優れたモデルを構築することとは、関連するが別の問題である点を強調している。 このプライマーは、モデルでシーケンス空間を探索する問題に興味を持つ異なる領域の研究者の出発点として機能する。
  論文  参考訳（メタデータ） (2020-10-04T21:32:07Z)
• Structured Landmark Detection via Topology-Adapting Deep Graph Learning [75.20602712947016]
  解剖学的顔と医学的ランドマーク検出のための新しいトポロジ適応深層グラフ学習手法を提案する。 提案手法は局所像特徴と大域形状特徴の両方を利用するグラフ信号を構成する。 3つの公開顔画像データセット(WFLW、300W、COFW-68)と3つの現実世界のX線医学データセット(ケパロメトリ、ハンド、ペルビス)で実験を行った。
  論文  参考訳（メタデータ） (2020-04-17T11:55:03Z)
• Transferring Dense Pose to Proximal Animal Classes [83.84439508978126]
  より一般的な対象検出器やセグメンタなどと同様に、密集したポーズ認識に存在する知識を、他のクラスにおける密集したポーズ認識の問題に移すことが可能であることを示す。 我々は、人間と幾何学的に整合した新しい動物のためのDensePoseモデルを確立することでこれを行う。 また、クラスチンパンジーにDensePoseの方法でラベル付けされた2つのベンチマークデータセットを導入し、アプローチを評価するためにそれらを使用します。
  論文  参考訳（メタデータ） (2020-02-28T21:43:53Z)

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。