論文の概要: A Factorization Approach for Motor Imagery Classification

• arxiv url: http://arxiv.org/abs/2112.08175v1
• Date: Mon, 13 Dec 2021 06:05:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-16 14:36:11.254554
• Title: A Factorization Approach for Motor Imagery Classification
• Title（参考訳）: モータ画像分類のための因子化手法
• Authors: Byeong-Hoo Lee, Jeong-Hyun Cho, Byung-Hee Kwon
• Abstract要約: 脳波信号を2つのグループに分類し,運動画像の分類を行う手法を提案した。 敵対学習に基づき,ノイズに強い脳波信号の特徴を抽出することに焦点を当てた。 空間的特徴の少ないデータセットでは,2つのグループに特徴を抽出できることが有効であることを確認した。
• 参考スコア（独自算出の注目度）: 1.2891210250935146
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Brain-computer interface uses brain signals to communicate with external devices without actual control. Many studies have been conducted to classify motor imagery based on machine learning. However, classifying imagery data with sparse spatial characteristics, such as single-arm motor imagery, remains a challenge. In this paper, we proposed a method to factorize EEG signals into two groups to classify motor imagery even if spatial features are sparse. Based on adversarial learning, we focused on extracting common features of EEG signals which are robust to noise and extracting only signal features. In addition, class-specific features were extracted which are specialized for class classification. Finally, the proposed method classifies the classes by representing the features of the two groups as one embedding space. Through experiments, we confirmed the feasibility that extracting features into two groups is advantageous for datasets that contain sparse spatial features.
• Abstract（参考訳）: 脳コンピュータインタフェースは、脳信号を使って外部デバイスと実際の制御なしに通信する。 機械学習に基づいて運動画像を分類する研究が数多く行われている。 しかし,片腕運動画像などの空間的特徴の少ない画像データを分類することは課題である。 本稿では,脳波信号を2つのグループに分解し,空間的特徴がばらばらであっても運動像を分類する方法を提案する。 敵対学習に基づき,雑音に強い脳波信号の特徴を抽出し,信号の特徴のみを抽出することに焦点を当てた。 さらに,クラス分類に特化したクラス特化特徴を抽出した。 最後に,提案手法は2つの群の特徴を1つの埋め込み空間として表現することでクラスを分類する。 実験により,2つのグループに特徴を抽出することは,空間的特徴の少ないデータセットに有利であることが確認された。

関連論文リスト

• High-Discriminative Attribute Feature Learning for Generalized Zero-Shot Learning [54.86882315023791]
  一般化ゼロショット学習(HDAFL)のための高識別属性特徴学習(High-Discriminative Attribute Feature Learning)という革新的な手法を提案する。 HDAFLは複数の畳み込みカーネルを使用して、画像の属性と高い相関性を持つ識別領域を自動的に学習する。 また、属性間の識別能力を高めるために、Transformerベースの属性識別エンコーダを導入する。
  論文  参考訳（メタデータ） (2024-04-07T13:17:47Z)
• An Unsupervised Machine Learning Approach for Ground-Motion Spectra Clustering and Selection [6.3376363722490145]
  本稿では,地震動スペクトルの特徴を抽出する教師なし機械学習アルゴリズムを提案する。 潜時特性は、ニューラルネットワークオートエンコーダの非線形関係を通して学習された低次元の機械によるスペクトル特性である。 合成およびフィールド記録された地動データセットの使用など、このアプローチを検証するための3つの例が提示される。
  論文  参考訳（メタデータ） (2022-12-06T18:02:55Z)
• Factorization Approach for Sparse Spatio-Temporal Brain-Computer Interface [17.85507707727557]
  脳波信号の分解により,スパース条件下での豊かで決定的な特徴を抽出できることを示す。 単腕運動画像データセットを用いて評価を行った。
  論文  参考訳（メタデータ） (2022-06-17T00:30:43Z)
• The Overlooked Classifier in Human-Object Interaction Recognition [82.20671129356037]
  クラス間の意味的相関を分類ヘッドにエンコードし,重みをHOIの言語埋め込みで初期化する。 我々は,LSE-Sign という新しい損失を,長い尾を持つデータセット上でのマルチラベル学習を強化するために提案する。 我々は,物体検出と人間のポーズを明確なマージンで求める最先端技術よりも優れた,検出不要なHOI分類を可能にする。
  論文  参考訳（メタデータ） (2022-03-10T23:35:00Z)
• Multi-level Second-order Few-shot Learning [111.0648869396828]
  教師付きまたは教師なしの少数ショット画像分類と少数ショット動作認識のためのマルチレベル2次数列学習ネットワーク(MlSo)を提案する。 我々は、パワーノーマライズされた二階学習者ストリームと、複数のレベルの視覚的抽象化を表現する機能を組み合わせた、いわゆる2階学習者ストリームを活用している。 我々は,Omniglot, mini-ImageNet, tiered-ImageNet, Open MIC, CUB Birds, Stanford Dogs, Cars, HMDB51, UCF101, mini-MITなどのアクション認識データセットなどの標準データセットに対して,優れた結果を示す。
  論文  参考訳（メタデータ） (2022-01-15T19:49:00Z)
• Speech Emotion Recognition Using Deep Sparse Auto-Encoder Extreme Learning Machine with a New Weighting Scheme and Spectro-Temporal Features Along with Classical Feature Selection and A New Quantum-Inspired Dimension Reduction Method [3.8073142980733]
  音声信号に基づく音声感情認識システム(SER)を提案する。 このシステムは,特徴抽出,特徴選択,最後に特徴分類という3つの段階から構成される。 従来の重み付け法よりも効率的なクラス不均衡に対処する新しい重み付け法も提案されている。
  論文  参考訳（メタデータ） (2021-11-13T11:09:38Z)
• Unsupervised low-rank representations for speech emotion recognition [78.38221758430244]
  音声感情認識のための低ランク特徴表現の抽出に線形および非線形次元削減アルゴリズムを用いて検討する。 異なる分類法を用いて2つのデータベース上で学習した表現の音声認識(SER)結果を報告する。
  論文  参考訳（メタデータ） (2021-04-14T18:30:58Z)
• Zero-Shot Learning from Adversarial Feature Residual to Compact Visual Feature [26.89763840782029]
  ゼロショット学習(ZSL)のためのコンパクトなセマンティックな視覚特徴を合成する新しい対向ネットワークを提案する。 残差発生器は、プロトタイプ予測器を介して予測される視覚的プロトタイプと統合された視覚的特徴残差を生成する。 判別器は、既存の分類CNNから抽出された実物と合成視覚特徴を区別する。
  論文  参考訳（メタデータ） (2020-08-29T11:16:11Z)
• Saliency-driven Class Impressions for Feature Visualization of Deep Neural Networks [55.11806035788036]
  分類に欠かせないと思われる特徴を視覚化することは有利である。 既存の可視化手法は,背景特徴と前景特徴の両方からなる高信頼画像を生成する。 本研究では,あるタスクにおいて最も重要であると考えられる識別的特徴を可視化するための,サリエンシ駆動型アプローチを提案する。
  論文  参考訳（メタデータ） (2020-07-31T06:11:06Z)
• Symbiotic Adversarial Learning for Attribute-based Person Search [86.7506832053208]
  本稿では,共生学習の枠組みとして,共生学習の基盤に2つのGANを配置する。 具体的には、2種類の生成的敵ネットワークがトレーニングプロセスを通して協調的に学習する。
  論文  参考訳（メタデータ） (2020-07-19T07:24:45Z)
• Few-Shot Relation Learning with Attention for EEG-based Motor Imagery Classification [11.873435088539459]
  脳波(EEG)信号に基づく脳-コンピュータインタフェース(BCI)が注目されている。 運動画像(MI)データは、リハビリテーションや自律運転のシナリオに使用することができる。 脳波に基づくBCIシステムにはMI信号の分類が不可欠である。
  論文  参考訳（メタデータ） (2020-03-03T02:34:44Z)

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。