論文の概要: Overview of the EEG Pilot Subtask at MediaEval 2021: Predicting Media
Memorability
- arxiv url: http://arxiv.org/abs/2201.00620v1
- Date: Wed, 15 Dec 2021 08:47:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-09 17:17:38.092276
- Title: Overview of the EEG Pilot Subtask at MediaEval 2021: Predicting Media
Memorability
- Title（参考訳）: メディアEval 2021における脳波パイロットサブタスクの概要:メディアの記憶可能性を予測する
- Authors: Lorin Sweeney, Ana Matran-Fernandez, Sebastian Halder, Alba G. Seco de
Herrera, Alan Smeaton and Graham Healy
- Abstract要約: 記憶可能性-EEGパイロットサブタスクの目的は、ビデオの記憶可能性を予測する文脈における神経信号の使用への関心を促進することである。
この実証パイロットは、興味のある研究者に、事前のドメイン知識なしで神経信号をどのように使えるかの感覚を与える。
このデータセットは、ビデオの記憶可能性を予測するための新しい機械学習と処理戦略の探索を支援するために使用できる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The aim of the Memorability-EEG pilot subtask at MediaEval'2021 is to promote
interest in the use of neural signals -- either alone or in combination with
other data sources -- in the context of predicting video memorability by
highlighting the utility of EEG data. The dataset created consists of
pre-extracted features from EEG recordings of subjects while watching a subset
of videos from Predicting Media Memorability subtask 1. This demonstration
pilot gives interested researchers a sense of how neural signals can be used
without any prior domain knowledge, and enables them to do so in a future
memorability task. The dataset can be used to support the exploration of novel
machine learning and processing strategies for predicting video memorability,
while potentially increasing interdisciplinary interest in the subject of
memorability, and opening the door to new combined EEG-computer vision
approaches.
- Abstract（参考訳）: MediaEval'2021におけるMemorability-EEGパイロットサブタスクの目的は、脳波データの有用性を強調することでビデオの記憶可能性を予測するコンテキストにおいて、ニューラルネットワーク(単独または他のデータソースと組み合わせて)の使用への関心を促進することである。
作成したデータセットは、被験者の脳波記録から抽出された特徴で構成され、Predicting Media Memorability subtask 1のビデオのサブセットを視聴する。
この実証パイロットは、興味のある研究者に、事前のドメイン知識なしで神経信号をどのように利用できるかの感覚を与え、将来の記憶可能性タスクでそれを実現できる。
このデータセットは、ビデオの記憶可能性を予測するための新しい機械学習と処理戦略の探索を支援するとともに、記憶可能性に関する学際的関心を高め、新しいEEG-コンピュータビジョンアプローチへの扉を開くことができる。
関連論文リスト
- VidMan: Exploiting Implicit Dynamics from Video Diffusion Model for Effective Robot Manipulation [79.00294932026266]
VidManは、安定性を高め、データ利用効率を向上させるために、2段階のトレーニングメカニズムを使用する新しいフレームワークである。
我々のフレームワークは、CALVINベンチマークで最先端のベースラインモデルGR-1を上回り、11.7%の相対的な改善を実現し、OXEの小規模データセットで9%以上の精度向上を示す。
論文 参考訳（メタデータ） (2024-11-14T03:13:26Z) - BEE-NET: A deep neural network to identify in-the-wild Bodily Expression
of Emotions [1.0878040851638]
本稿では,BEE-NETという新しいマルチストリーム深層畳み込みニューラルネットワークを提案する。
また,学習過程における事前知識として,場所や物体のメタ情報を含む新たな後期融合戦略を提案する。
実験の結果,提案手法はAIBEEの最先端技術を2.07%超えることがわかった。
論文 参考訳（メタデータ） (2024-02-21T17:35:51Z) - SS-VAERR: Self-Supervised Apparent Emotional Reaction Recognition from
Video [61.21388780334379]
この研究は、自己監督的な方法で行われるビデオのみの入力からの明らかな感情的反応の認識に焦点を当てる。
ネットワークは、まず異なる自己教師付きプレテキストタスクで事前訓練され、その後、下流のターゲットタスクで微調整される。
論文 参考訳（メタデータ） (2022-10-20T15:21:51Z) - 2021 BEETL Competition: Advancing Transfer Learning for Subject
Independence & Heterogenous EEG Data Sets [89.84774119537087]
我々は、診断とBCI(Brain-Computer-Interface)に関する2つの伝達学習課題を設計する。
第1タスクは、患者全体にわたる自動睡眠ステージアノテーションに対処する医療診断に重点を置いている。
タスク2はBrain-Computer Interface (BCI)に集中しており、被験者とデータセットの両方にわたる運動画像のデコードに対処する。
論文 参考訳（メタデータ） (2022-02-14T12:12:20Z) - Adversarial Memory Networks for Action Prediction [95.09968654228372]
アクション予測は、今後の人間の行動を部分的に観察されたビデオで推測することを目的としている。
本稿では,ある部分的ビデオクエリに"フルビデオ"機能コンディショニングを生成するために,AMemNet(Adversarial memory network)を提案する。
論文 参考訳（メタデータ） (2021-12-18T08:16:21Z) - Towards Open-World Feature Extrapolation: An Inductive Graph Learning
Approach [80.8446673089281]
グラフ表現と学習を伴う新しい学習パラダイムを提案する。
本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
論文 参考訳（メタデータ） (2021-10-09T09:02:45Z) - 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) - Relational Graph Learning on Visual and Kinematics Embeddings for
Accurate Gesture Recognition in Robotic Surgery [84.73764603474413]
本稿では,マルチモーダルグラフネットワーク(MRG-Net)の新たなオンラインアプローチを提案し,視覚情報とキネマティクス情報を動的に統合する。
本手法の有効性は, JIGSAWSデータセット上での最先端の成果で実証された。
論文 参考訳（メタデータ） (2020-11-03T11:00:10Z) - Unsupervised Multi-Modal Representation Learning for Affective Computing
with Multi-Corpus Wearable Data [16.457778420360537]
我々は、人間の監督への依存を減らすために、教師なしの枠組みを提案する。
提案フレームワークは2つの畳み込み自己エンコーダを用いて、ウェアラブル心電図(ECG)と電磁気放射能(EDA)信号から潜時表現を学習する。
提案手法は, 同一のデータセット上での覚醒検出を行ない, 現状の成果よりも優れていた。
論文 参考訳（メタデータ） (2020-08-24T22:01:55Z) - Human brain activity for machine attention [8.673635963837532]
我々は脳波(EEG)という神経科学データを初めて活用し、人間の脳の言語処理について神経の注意モデルに知らせる。
我々は、理論上動機付けられた収穫と無作為な森林分枝を組み合わせることで、機械の注意を監督する脳波の特徴を見つける手法を考案した。
これらの特徴を関係分類の注意を規則化するために応用し、脳波が強い基準線よりも情報的であることを示す。
論文 参考訳（メタデータ） (2020-06-09T08:39:07Z) - 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。