論文の概要: Dual-stream spatiotemporal networks with feature sharing for monitoring animals in the home cage

• arxiv url: http://arxiv.org/abs/2206.00614v1
• Date: Wed, 1 Jun 2022 16:32:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-06-02 14:04:59.207473
• Title: Dual-stream spatiotemporal networks with feature sharing for monitoring animals in the home cage
• Title（参考訳）: ホームケージ内の動物モニタリングのための特徴共有型デュアルストリーム時空間ネットワーク
• Authors: Ezechukwu I. Nwokedi, Rasneer S. Bains, Luc Bidaut, Xujiong Ye, Sara Wells, James M. Brown
• Abstract要約: ネットワーク全体で定期的にストリームを共同で共有する機能共有アプローチを導入する。 我々は、インセプションベースのネットワークのアンサンブルを用いて、86.47%の予測精度を実現する。 今後,非教師付き異常検出領域における行動分類における共有の有効性について検討する。
• 参考スコア（独自算出の注目度）: 0.9937939233206224
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents a spatiotemporal deep learning approach for mouse behavioural classification in the home cage. Using a series of dual-stream architectures with assorted modifications to increase performance, we introduce a novel feature-sharing approach that jointly processes the streams at regular intervals throughout the network. Using a publicly available labelled dataset of singly-housed mice, we achieve a prediction accuracy of 86.47% using an ensemble of Inception-based networks that utilize feature sharing. We also demonstrate through ablation studies that for all models, the feature-sharing architectures consistently perform better than conventional ones having separate streams. The best performing models were further evaluated on other activity datasets, both mouse and human, and achieved state-of-the-art results. Future work will investigate the effectiveness of feature sharing in behavioural classification in the unsupervised anomaly detection domain.
• Abstract（参考訳）: 本稿では,マウスの行動分類のための時空間深層学習手法を提案する。 性能向上のために、一連の2重ストリームアーキテクチャを用いて、ネットワーク全体を通して定期的にストリームを共同処理する新しい特徴共有アプローチを導入する。 シングルハウスマウスの公開ラベル付きデータセットを用いて,機能共有を利用したインセプションベースのネットワークのアンサンブルを用いて,86.47%の予測精度を実現する。 また、すべてのモデルにおいて、機能共有アーキテクチャは、従来のストリームを分離したアーキテクチャよりも一貫してパフォーマンスが向上することを示す。 最高のパフォーマンスモデルは、マウスとヒトの両方のアクティビティデータセットでさらに評価され、最先端の結果を得た。 今後,非教師付き異常検出領域における行動分類における特徴共有の有効性について検討する。

関連論文リスト

• Efficient Mixture of Geographical Species for On Device Wildlife Monitoring [2.8718221966298754]
  本研究では,地理的に認識可能な条件付きサブネットワークを用いた単一種検出装置の訓練について検討する。 地理的に分散した2つのデータセット (iNaturalist と iWildcam) 上で, 条件付き計算性能を示す手法を提案する。
  論文  参考訳（メタデータ） (2025-04-11T15:25:36Z)
• Local Consensus Enhanced Siamese Network with Reciprocal Loss for Two-view Correspondence Learning [35.5851523517487]
  2視点対応学習は通常、一致の信頼性と相対的なポーズを共同で予測するエンドツーエンドネットワークを確立する。 本稿では,既存のモデルの特徴を増強するローカル・フィーチャー・コンセンサス (LFC) プラグイン・ブロックを提案する。 我々は既存のモデルを相互予測の監督を生かした相互損失を伴うシームズネットワークに拡張する。
  論文  参考訳（メタデータ） (2023-08-06T22:20:09Z)
• Regularization Through Simultaneous Learning: A Case Study on Plant Classification [0.0]
  本稿では,トランスファーラーニングとマルチタスクラーニングの原則に基づく正規化アプローチである同時学習を紹介する。 我々は、ターゲットデータセットであるUFOP-HVDの補助データセットを活用し、カスタマイズされた損失関数でガイドされた同時分類を容易にする。 興味深いことに,本手法は正規化のないモデルよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-05-22T19:44:57Z)
• Improving Out-of-Distribution Generalization of Neural Rerankers with Contextualized Late Interaction [52.63663547523033]
  マルチベクトルの最も単純な形式である後期相互作用は、[]ベクトルのみを使用して類似度スコアを計算する神経リランカにも役立ちます。 異なるモデルサイズと多様な性質の第一段階のレトリバーに一貫性があることが示される。
  論文  参考訳（メタデータ） (2023-02-13T18:42:17Z)
• Real-Time Cattle Interaction Recognition via Triple-stream Network [3.3843451892622576]
  牛の局在化ネットワークは、検出されたすべての牛から高品質な相互作用提案を出力する。 インタラクション認識ネットワークは、それらをトリプルストリームアーキテクチャでインタラクション認識ネットワークにフィードする。
  論文  参考訳（メタデータ） (2022-09-06T06:31:09Z)
• Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based Action Recognition [88.34182299496074]
  アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。 我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。 時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
  論文  参考訳（メタデータ） (2022-07-17T07:05:39Z)
• Beyond Transfer Learning: Co-finetuning for Action Localisation [64.07196901012153]
  同時に、複数のアップストリームとダウンストリームのタスクで1つのモデルをトレーニングする。 共ファインタニングは、同じデータ量を使用する場合、従来のトランスファーラーニングよりも優れていることを示す。 さらに、複数のアップストリームデータセットへのアプローチを簡単に拡張して、パフォーマンスをさらに向上する方法も示しています。
  論文  参考訳（メタデータ） (2022-07-08T10:25:47Z)
• 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)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• Hierarchical Domain-Adapted Feature Learning for Video Saliency Prediction [15.270499225813841]
  本稿では,ビデオ・サリエンシ予測のための3次元完全畳み込みアーキテクチャを提案する。 ドメイン適応とドメイン固有学習の2つの手法を用いて,基本階層学習機構を提供する。 実験の結果,提案モデルにより,教師付きサリエンシ予測における最先端の精度が得られた。
  論文  参考訳（メタデータ） (2020-10-02T23:00:00Z)
• Adversarial Bipartite Graph Learning for Video Domain Adaptation [50.68420708387015]
  ドメイン適応技術は,異なる領域間のモデルを適応させることに重点を置いているが,ビデオ認識領域ではめったに研究されていない。 近年,映像のソースと対象映像の表現を統一するために,対角学習を活用する視覚領域適応はビデオにはあまり効果がない。 本稿では,ソースとターゲットの相互作用を直接モデル化するAdversarial Bipartite Graph (ABG)学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-31T03:48:41Z)
• A Neural Architecture for Detecting Confusion in Eye-tracking Data [1.8655840060559168]
  我々は、RNNとCNNのサブモデルを並列に使用して、データの時間的・空間的側面を活用するアーキテクチャを提案する。 本モデルでは,Random Forestsをベースとした既存モデルよりも22%の感度・特異性が向上した。
  論文  参考訳（メタデータ） (2020-03-13T18:20:39Z)

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。