Fugu-MT 論文翻訳(概要): Neural Architecture Searching for Facial Attributes-based Depression Recognition

論文の概要: Neural Architecture Searching for Facial Attributes-based Depression Recognition

arxiv url: http://arxiv.org/abs/2201.09799v1
Date: Mon, 24 Jan 2022 16:57:11 GMT
ステータス: 処理完了
システム内更新日: 2022-01-25 16:09:48.530485
Title: Neural Architecture Searching for Facial Attributes-based Depression Recognition
Title（参考訳）: 顔属性に基づく抑うつ認識のためのニューラルアーキテクチャ探索
Authors: Mingzhe Chen, Xi Xiao, Bin Zhang, Xinyu Liu, Runiu Lu
Abstract要約: 本稿では,複数の顔属性に基づく抑うつ認識のための最適モデル設計のためのニューラルネットワーク検索(NAS)手法の拡張を提案する。提案手法はまず,各顔属性の特徴抽出器に対して,探索空間を大幅に削減することを目的として,より温かいステップを実行する。そして,全ての特徴抽出器と融合ネットワークをエンドツーエンドで探索し,相補的抑うつキューと冗長性の低下を最適に組み合わせる。
参考スコア（独自算出の注目度）: 32.158631421525236
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Recent studies show that depression can be partially reflected from human facial attributes. Since facial attributes have various data structure and carry different information, existing approaches fail to specifically consider the optimal way to extract depression-related features from each of them, as well as investigates the best fusion strategy. In this paper, we propose to extend Neural Architecture Search (NAS) technique for designing an optimal model for multiple facial attributes-based depression recognition, which can be efficiently and robustly implemented in a small dataset. Our approach first conducts a warmer up step to the feature extractor of each facial attribute, aiming to largely reduce the search space and providing customized architecture, where each feature extractor can be either a Convolution Neural Networks (CNN) or Graph Neural Networks (GNN). Then, we conduct an end-to-end architecture search for all feature extractors and the fusion network, allowing the complementary depression cues to be optimally combined with less redundancy. The experimental results on AVEC 2016 dataset show that the model explored by our approach achieves breakthrough performance with 27\% and 30\% RMSE and MAE improvements over the existing state-of-the-art. In light of these findings, this paper provides solid evidences and a strong baseline for applying NAS to time-series data-based mental health analysis.
Abstract（参考訳）: 最近の研究では、うつ病は人間の顔の特徴から部分的に反映されていることが示されている。顔の属性は様々なデータ構造を持ち、異なる情報を運ぶため、既存のアプローチでは、それぞれからうつ病に関連する特徴を抽出する最適な方法や、最良の融合戦略を具体的に検討することができない。本稿では,複数の顔属性に基づく抑うつ認識に最適なモデルを設計するために,ニューラルネットワーク探索(nas)手法を拡張することを提案する。提案手法は,まず,各顔属性の特徴抽出器に対して,探索空間を大幅に削減し,各特徴抽出器を畳み込みニューラルネットワーク (CNN) あるいはグラフニューラルネットワーク (GNN) のいずれかにカスタマイズしたアーキテクチャを提供することを目的として,より温かいステップを実行する。次に,全ての特徴抽出器と融合ネットワークのエンドツーエンドアーキテクチャ探索を行い,相補的な抑うつ要因と冗長性の低減を最適に組み合わせた。 AVEC 2016データセットによる実験結果から,本手法で探索したモデルでは,既存の最先端技術よりも27倍,30倍のRMSEとMAEの改善が達成されている。これらの知見を踏まえ、本論文は、時系列データに基づくメンタルヘルス分析にNASを適用するための確固たる証拠と強力なベースラインを提供する。

関連論文リスト

Towards Robust Out-of-Distribution Generalization: Data Augmentation and Neural Architecture Search Approaches [4.577842191730992]
我々は、ディープラーニングのための堅牢なOoD一般化への道を探る。まず,認識に必須でない特徴間の素早い相関を解消するための,新しい効果的なアプローチを提案する。次に,OoDシナリオにおけるニューラルアーキテクチャ探索の強化問題について検討する。
論文参考訳（メタデータ） (2024-10-25T20:50:32Z)
Visual Prompting Upgrades Neural Network Sparsification: A Data-Model Perspective [64.04617968947697]
より優れた重量空間を実現するために、新しいデータモデル共設計視点を導入する。具体的には、提案したVPNフレームワークでニューラルネットワークのスパーシフィケーションをアップグレードするために、カスタマイズされたVisual Promptが実装されている。
論文参考訳（メタデータ） (2023-12-03T13:50:24Z)
GeNAS: Neural Architecture Search with Better Generalization [14.92869716323226]
最近のニューラルアーキテクチャサーチ(NAS)アプローチは、対象データに対して優れたネットワークを見つけるために、検証損失または精度に依存している。そこで本研究では,より一般化した探索型アーキテクチャのためのニューラルアーキテクチャ探索手法について検討する。
論文参考訳（メタデータ） (2023-05-15T12:44:54Z)
Neural Architecture Search Using Genetic Algorithm for Facial Expression Recognition [2.7504274245107303]
本稿では,FERタスク上でCNNを自動生成する,巧妙な符号化復号機構を用いた遺伝的アルゴリズムを提案する。提案アルゴリズムは、CK+およびFERGデータセット上で最もよく知られた結果と、JSFFEデータセット上での競合結果を達成する。
論文参考訳（メタデータ） (2023-04-12T16:36:07Z)
A Local Optima Network Analysis of the Feedforward Neural Architecture Space [0.0]
ローカルオプティマネットワーク(LON)解析は、候補解のフィットネスランドスケープの派生である。 LONは、ニューラルネットワークを分析し最適化する実行可能なパラダイムを提供することができる。
論文参考訳（メタデータ） (2022-06-02T08:09:17Z)
Neural Architecture Search for Speech Emotion Recognition [72.1966266171951]
本稿では,SERモデルの自動構成にニューラルアーキテクチャサーチ(NAS)技術を適用することを提案する。 NASはモデルパラメータサイズを維持しながらSER性能(54.89%から56.28%)を向上させることができることを示す。
論文参考訳（メタデータ） (2022-03-31T10:16:10Z)
End-to-end Neuron Instance Segmentation based on Weakly Supervised Efficient UNet and Morphological Post-processing [0.0]
組織像からNeuN染色神経細胞を自動的に検出し,分画するエンド・ツー・エンド・エンド・エンド型のフレームワークを提案する。私たちは最先端のネットワークであるEfficientNetをU-Netのようなアーキテクチャに統合します。
論文参考訳（メタデータ） (2022-02-17T14:35:45Z)
NAS-Navigator: Visual Steering for Explainable One-Shot Deep Neural Network Synthesis [53.106414896248246]
本稿では,分析者がドメイン知識を注入することで,解のサブグラフ空間を効果的に構築し,ネットワーク探索をガイドするフレームワークを提案する。このテクニックを反復的に適用することで、アナリストは、与えられたアプリケーションに対して最高のパフォーマンスのニューラルネットワークアーキテクチャに収束することができる。
論文参考訳（メタデータ） (2020-09-28T01:48:45Z)
DrNAS: Dirichlet Neural Architecture Search [88.56953713817545]
ディリクレ分布をモデルとした連続緩和型混合重みをランダム変数として扱う。最近開発されたパスワイズ微分により、ディリクレパラメータは勾配に基づく一般化で容易に最適化できる。微分可能なNASの大きなメモリ消費を軽減するために, 単純かつ効果的な進行学習方式を提案する。
論文参考訳（メタデータ） (2020-06-18T08:23:02Z)
A Semi-Supervised Assessor of Neural Architectures [157.76189339451565]
我々は、ニューラルネットワークの有意義な表現を見つけるためにオートエンコーダを用いる。アーキテクチャの性能を予測するために、グラフ畳み込みニューラルネットワークを導入する。
論文参考訳（メタデータ） (2020-05-14T09:02:33Z)
Towards Analysis-friendly Face Representation with Scalable Feature and Texture Compression [113.30411004622508]
普遍的で協調的な視覚情報表現は階層的な方法で実現できることを示す。ディープニューラルネットワークの強力な生成能力に基づいて、基本特徴層と強化層の間のギャップは、特徴レベルのテクスチャ再構築によってさらに埋められる。提案するフレームワークの効率を改善するために,ベース層ニューラルネットワークをマルチタスクでトレーニングする。
論文参考訳（メタデータ） (2020-04-21T14:32:49Z)

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。