Fugu-MT 論文翻訳(概要): Body Composition Estimation Based on Multimodal Multi-task Deep Neural Network

論文の概要: Body Composition Estimation Based on Multimodal Multi-task Deep Neural Network

arxiv url: http://arxiv.org/abs/2205.11031v1
Date: Mon, 23 May 2022 04:31:06 GMT
ステータス: 処理完了
システム内更新日: 2022-05-29 12:16:21.279789
Title: Body Composition Estimation Based on Multimodal Multi-task Deep Neural Network
Title（参考訳）: マルチモーダル・マルチタスク深層ニューラルネットワークによる体組成推定
Authors: Subas Chhatkuli, Iris Jiang, and Kyohei Kamiyama
Abstract要約: 体組成は主に筋肉、脂肪、骨、水から構成される。マルチモーダル多タスクディープニューラルネットワークを導入し,体脂肪率と骨格筋質量を推定した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In addition to body weight and Body Mass Index (BMI), body composition is an essential data point that allows people to understand their overall health and body fitness. However, body composition is largely made up of muscle, fat, bones, and water, which makes estimation not as easy and straightforward as measuring body weight. In this paper, we introduce a multimodal multi-task deep neural network to estimate body fat percentage and skeletal muscle mass by analyzing facial images in addition to a person's height, gender, age, and weight information. Using a dataset representative of demographics in Japan, we confirmed that the proposed approach performed better compared to the existing methods. Moreover, the multi-task approach implemented in this study is also able to grasp the negative correlation between body fat percentage and skeletal muscle mass gain/loss.
Abstract（参考訳）: 体重と体重指数(BMI)に加えて、身体構成は健康と身体の適合性を理解するための重要なデータポイントである。しかし、体組成は主に筋肉、脂肪、骨、水で構成されており、体重を測定するほど簡単で簡単な推定はできない。本稿では,人物の身長,性別,年齢,体重情報に加えて,顔画像を分析し,体脂肪率と骨格筋質量を推定するマルチモーダルマルチタスクディープニューラルネットワークを提案する。わが国の人口統計学のデータセットを用いて,提案手法が既存手法よりも優れていることを確認した。さらに,本研究で実施したマルチタスクアプローチでは,体脂肪率と骨格筋質量の利得/損失との負の相関も把握できる。

関連論文リスト

Muscles in Time: Learning to Understand Human Motion by Simulating Muscle Activations [64.98299559470503]
マッスル・イン・タイム (MinT) は、大規模な人工筋肉活性化データセットである。 227名の被験者と402名の模擬筋骨格をカバーする9時間以上のシミュレーションデータを含んでいる。ヒトのポーズ配列からニューラルネットワークを用いた筋活動量推定の結果を示す。
論文参考訳（メタデータ） (2024-10-31T18:28:53Z)
BMI Prediction from Handwritten English Characters Using a Convolutional Neural Network [0.0]
これまでの研究では、筆跡解析のためのディープラーニング技術とBMI予測との間に明確な関連性は確立されなかった。本稿では、畳み込みニューラルネットワーク(CNN)を開発し、手書き文字からBMIを推定するディープラーニングアプローチを用いて、この研究ギャップに対処する。 BMI予測タスクのために、小文字の英語スクリプトの48人のサンプルを含むデータセットを正常にキャプチャする。
論文参考訳（メタデータ） (2024-09-04T10:06:42Z)
Advancing Smart Malnutrition Monitoring: A Multi-Modal Learning Approach for Vital Health Parameter Estimation [0.0]
本研究は, 画期的な, スケーラブルで, 堅牢な栄養失調モニタリングシステムを提案する。身長、体重、その他の重要な健康パラメータを推定するために、個人の1つのフルボディ画像を使用する。本モデルでは, 平均絶対誤差 (MAE) が4.7cm, 5.3kg, 平均誤差 (MAE) は5.3kgと推定される。
論文参考訳（メタデータ） (2023-07-31T15:08:02Z)
Body Fat Estimation from Surface Meshes using Graph Neural Networks [48.85291874087541]
三角体表面メッシュを用いて,グラフニューラルネットワークを用いて,VATおよびASATボリュームを正確に予測できることを示す。本手法は,この領域の最先端畳み込みニューラルネットワークと比較して,トレーニング時間と必要なリソースを削減しつつ高い性能を実現する。
論文参考訳（メタデータ） (2023-07-13T10:21:34Z)
MassNet: A Deep Learning Approach for Body Weight Extraction from A Single Pressure Image [0.41043522719179826]
圧力マッピングマットレスは非侵襲的でプライバシー保護のツールであり、ベッド表面上の圧力分布画像を取得する。深層特徴を抽出し,それぞれに特徴を呈示するデュアルブランチネットワークを含む,深層学習に基づくモデルを提案する。その結果,2つのデータセットに対して,モデルが最先端のアルゴリズムより優れていることがわかった。
論文参考訳（メタデータ） (2023-03-17T17:24:57Z)
Human Body Measurement Estimation with Adversarial Augmentation [28.934387668050224]
シルエット画像から人体形状の3次元人為的計測を推定するための身体計測ネットワーク(BMnet)を提案する。我々は、新しい対向体シミュレータ(ABS)でBMnetを拡張し、難易度の高い体形を発見し、合成する。以上の結果から,ABSを用いたBMnetのトレーニングでは,Augmentationやランダムなボディ形状サンプリングに比べて,実物での計測精度を最大10%向上することがわかった。
論文参考訳（メタデータ） (2022-10-11T17:58:10Z)
Whole-Body Human Pose Estimation in the Wild [88.09875133989155]
COCO-WholeBodyは、全体アノテーションでCOCOデータセットを拡張する。これは人体全体に手動のアノテーションがある最初のベンチマークである。 ZoomNetという名前のシングルネットワークモデルは、完全な人体の階層構造を考慮するために考案された。
論文参考訳（メタデータ） (2020-07-23T08:35:26Z)
Universal Loss Reweighting to Balance Lesion Size Inequality in 3D Medical Image Segmentation [50.63623720394348]
ネットワークの小さな病変の検出能力を高めるために,損失再重み付け手法を提案する。 Dice Loss, Focal Loss, Asymmetric similarity Lossなど,よく知られた損失関数に対する本手法の利点を報告する。実験の結果, 逆重み付けは検出品質を著しく向上させる一方で, 最先端のデライン化品質を保っていることがわかった。
論文参考訳（メタデータ） (2020-07-20T12:08:22Z)
HEMlets PoSh: Learning Part-Centric Heatmap Triplets for 3D Human Pose and Shape Estimation [60.35776484235304]
本研究は, 中間状態部分熱マップトリプレット(HEMlets)を導入し, 検出された2次元関節を三次元空間に持ち上げる不確実性に対処しようとするものである。 HEMletsは3つのジョイントヒートマップを使用して、各骨格体部に対するエンドジョイントの相対的な深さ情報を表す。 Convolutional Network (ConvNet) は、入力画像からHEMletを予測し、次にボリュームのジョイント・ヒートマップレグレッションを学習する。
論文参考訳（メタデータ） (2020-03-10T04:03:45Z)
Learning Compositional Neural Information Fusion for Human Parsing [181.48380078517525]
我々はこのアプローチを神経情報融合フレームワークとして定式化する。我々のモデルは階層上の3つの推論プロセスから情報を収集する。モデル全体がエンドツーエンドで識別可能であり、情報フローと構造を明示的にモデル化する。
論文参考訳（メタデータ） (2020-01-19T10:35:14Z)

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。