論文の概要: Towards Formalizing HRI Data Collection Processes

• arxiv url: http://arxiv.org/abs/2203.08396v1
• Date: Wed, 16 Mar 2022 04:59:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-17 16:05:24.423196
• Title: Towards Formalizing HRI Data Collection Processes
• Title（参考訳）: HRIデータ収集プロセスの形式化に向けて
• Authors: Zhao Han and Tom Williams
• Abstract要約: 機械学習モデリングのための3つのステップでデータを収集するために、明確に定義されたプロセスにコントリビュートする。 具体的には、データ収集の目標と、十分にカバーされ、豊富な応答を促すためにどのように取り組んできたかについて論じる。
• 参考スコア（独自算出の注目度）: 4.090390588417062
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Within the human-robot interaction (HRI) community, many researchers have focused on the careful design of human-subjects studies. However, other parts of the community, e.g., the technical advances community, also need to do human-subjects studies to collect data to train their models, in ways that require user studies but without a strict experimental design. The design of such data collection is an underexplored area worthy of more attention. In this work, we contribute a clearly defined process to collect data with three steps for machine learning modeling purposes, grounded in recent literature, and detail an use of this process to facilitate the collection of a corpus of referring expressions. Specifically, we discuss our data collection goal and how we worked to encourage well-covered and abundant participant responses, through our design of the task environment, the task itself, and the study procedure. We hope this work would lead to more data collection formalism efforts in the HRI community and a fruitful discussion during the workshop.
• Abstract（参考訳）: 人間-ロボット相互作用(HRI)コミュニティでは、多くの研究者が人-物体研究の慎重な設計に注目している。 しかし、コミュニティの他の部分、例えば、技術進歩コミュニティは、厳格な実験設計なしに、ユーザー研究を必要とする方法で、モデルを訓練するためのデータを集めるために、人間オブジェクトの研究を行う必要がある。 このようなデータ収集の設計は、より注目に値する未調査領域である。 本稿では,機械学習モデリングのための3つのステップからなるデータ収集プロセスについて,近年の文献に基礎を置き,参照表現のコーパスの収集を容易にするために,このプロセスの利用について詳述する。 具体的には、データ収集の目標と、タスク環境、タスク自体、学習手順の設計を通じて、十分にカバーされ、豊富な参加者の回答を促すためにどのように取り組んできたかについて論じる。 この作業が、HRIコミュニティにおけるより多くのデータ収集フォーマリズムの取り組みと、ワークショップにおける実りある議論につながることを期待しています。

関連論文リスト

• DISCOVER: A Data-driven Interactive System for Comprehensive Observation, Visualization, and ExploRation of Human Behaviour [6.716560115378451]
  我々は,人間行動分析のための計算駆動型データ探索を効率化するために,モジュール型でフレキシブルでユーザフレンドリなソフトウェアフレームワークを導入する。 我々の主な目的は、高度な計算方法論へのアクセスを民主化することであり、これにより研究者は、広範囲の技術的熟練を必要とせずに、詳細な行動分析を行うことができる。
  論文  参考訳（メタデータ） (2024-07-18T11:28:52Z)
• Data Augmentation in Human-Centric Vision [54.97327269866757]
  本研究では,人間中心型視覚タスクにおけるデータ拡張手法の包括的分析を行う。 それは、人物のReID、人間のパーシング、人間のポーズ推定、歩行者検出など、幅広い研究領域に展開している。 我々の研究は、データ拡張手法をデータ生成とデータ摂動の2つの主なタイプに分類する。
  論文  参考訳（メタデータ） (2024-03-13T16:05:18Z)
• RHOBIN Challenge: Reconstruction of Human Object Interaction [83.07185402102253]
  最初のRHOBINチャレンジ:RHOBINワークショップと連携して人間と物体の相互作用を再構築する。 我々の課題は、単眼のRGB画像から3D再構成する3つのトラックで構成され、困難な相互作用シナリオに対処することに焦点を当てている。 本稿では,課題の設定について述べるとともに,各トラックの入賞方法についてより詳細に述べる。
  論文  参考訳（メタデータ） (2024-01-07T23:37:07Z)
• Towards Multi-User Activity Recognition through Facilitated Training Data and Deep Learning for Human-Robot Collaboration Applications [2.3274633659223545]
  本研究では、シングルユーザに関するデータを収集し、後処理でそれらをマージすることで、マルチユーザアクティビティに関するデータを集める方法を提案する。 同じ設定で記録されたユーザのグループに関するトレーニングデータを使用する場合と比較して、この方法で収集されたデータをHRC設定のペアに使用し、同様のパフォーマンスを得ることができる。
  論文  参考訳（メタデータ） (2023-02-11T19:27:07Z)
• StyleGAN-Human: A Data-Centric Odyssey of Human Generation [96.7080874757475]
  この研究は、データ中心の観点から、"データエンジニアリング"における複数の重要な側面を調査します。 さまざまなポーズやテクスチャを抽出した230万以上のサンプルで、大規模な人間の画像データセットを収集し、注釈付けします。 本稿では,データサイズ,データ分布,データアライメントといった,スタイルGANに基づく人為的生成のためのデータ工学における3つの重要な要素について精査する。
  論文  参考訳（メタデータ） (2022-04-25T17:55:08Z)
• Human-Robot Collaboration and Machine Learning: A Systematic Review of Recent Research [69.48907856390834]
  人間ロボットコラボレーション(Human-robot collaboration、HRC)とは、人間とロボットの相互作用を探索する手法である。 本稿では,HRCの文脈における機械学習技術の利用に関する詳細な文献レビューを提案する。
  論文  参考訳（メタデータ） (2021-10-14T15:14:33Z)
• RPT: Toward Transferable Model on Heterogeneous Researcher Data via Pre-Training [19.987304448524043]
  マルチタスク型自己教師型学習ベース研究者データ事前学習モデル RPT を提案する。 研究者のデータをセマンティックドキュメントセットとコミュニティグラフに分割する。 モデル全体を学習するための3つの自己教師型学習目標を提案する。
  論文  参考訳（メタデータ） (2021-10-08T03:42:09Z)
• A Survey of Human-in-the-loop for Machine Learning [7.056132067948671]
  Human-in-the-loopは、人間の知識と経験を統合することで、最小限のコストで正確な予測モデルをトレーニングすることを目的としている。 本調査は,ループ内人間に対する高レベルな要約を提供することを目的としており,有効なループ内人間ソリューションを設計するためのアプローチを検討することに関心のある読者を動機付けている。
  論文  参考訳（メタデータ） (2021-08-02T14:42:28Z)
• The Lab vs The Crowd: An Investigation into Data Quality for Neural Dialogue Models [0.0]
  同じインタラクションタスクにおける対話モデルの性能を比較するが、実験室とクラウドソースの2つの設定で収集する。 同様の精度に達するためにラボの対話は少なく、クラウドソースデータとしてのラボデータの半分以下であることが分かりました。
  論文  参考訳（メタデータ） (2020-12-07T17:02:00Z)
• Batch Exploration with Examples for Scalable Robotic Reinforcement Learning [63.552788688544254]
  BEE(Batch Exploration with Examples)は、重要状態の画像の少ない数の人間がガイドする状態空間の関連領域を探索する。 BEEは、シミュレーションと本物のフランカロボットの両方で、視覚ベースの操作に挑戦することができる。
  論文  参考訳（メタデータ） (2020-10-22T17:49:25Z)
• Human Trajectory Forecasting in Crowds: A Deep Learning Perspective [89.4600982169]
  本稿では,既存の深層学習に基づくソーシャルインタラクションのモデル化手法について詳細に分析する。 本稿では、これらの社会的相互作用を効果的に捉えるための知識に基づく2つのデータ駆動手法を提案する。 我々は,人間の軌道予測分野において,重要かつ欠落したコンポーネントであるTrajNet++を大規模に開発する。
  論文  参考訳（メタデータ） (2020-07-07T17:19:56Z)

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。