論文の概要: Extensible Motion-based Identification of XR Users with Non-Specific
Motion
- arxiv url: http://arxiv.org/abs/2302.07517v1
- Date: Wed, 15 Feb 2023 08:26:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-16 15:33:46.925354
- Title: Extensible Motion-based Identification of XR Users with Non-Specific
Motion
- Title(参考訳): 非特異運動を有するxrユーザの伸縮性モーションベース同定
- Authors: Christian Schell, Konstantin Kobs, Tamara Fernando, Andreas Hotho,
Marc Erich Latoschik
- Abstract要約: 本稿では,深層学習を活用した埋め込み型手法を用いて,両手法の強みを組み合わせることを提案する。
われわれは,VRゲーム『Half-Life: Alyx』をプレイするユーザのデータセット上でモデルをトレーニングし,複数の実験と分析を行う。
その結果, 組込み方式では, ほんの数分の参照データを用いて, 特定の動作から新規ユーザを識別できることがわかった。
- 参考スコア(独自算出の注目度): 10.364105114379527
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Recently emerged solutions demonstrate that the movements of users
interacting with extended reality (XR) applications carry identifying
information and can be leveraged for identification. While such solutions can
identify XR users within a few seconds, current systems require one or the
other trade-off: either they apply simple distance-based approaches that can
only be used for specific predetermined motions. Or they use
classification-based approaches that use more powerful machine learning models
and thus also work for arbitrary motions, but require full retraining to enroll
new users, which can be prohibitively expensive. In this paper, we propose to
combine the strengths of both approaches by using an embedding-based approach
that leverages deep metric learning. We train the model on a dataset of users
playing the VR game "Half-Life: Alyx" and conduct multiple experiments and
analyses. The results show that the embedding-based method 1) is able to
identify new users from non-specific movements using only a few minutes of
reference data, 2) can enroll new users within seconds, while retraining a
comparable classification-based approach takes almost a day, 3) is more
reliable than a baseline classification-based approach when only little
reference data is available, 4) can be used to identify new users from another
dataset recorded with different VR devices. Altogether, our solution is a
foundation for easily extensible XR user identification systems, applicable
even to non-specific movements. It also paves the way for production-ready
models that could be used by XR practitioners without the requirements of
expertise, hardware, or data for training deep learning models.
- Abstract(参考訳): 最近出現したソリューションは、拡張現実(XR)アプリケーションと対話するユーザの動きが識別情報を持ち、識別に活用できることを実証している。
このようなソリューションは数秒でXRユーザを識別できるが、現在のシステムは1つまたは他のトレードオフを必要とする。
あるいは、より強力な機械学習モデルを使用し、任意の動きでも機能する分類ベースのアプローチを使うが、新しいユーザーを登録するには完全なリトレーニングが必要になる。
本稿では,深層メトリック学習を活用した組込み型アプローチを用いて,両手法の強みを組み合わせることを提案する。
我々は,VRゲーム『Half-Life: Alyx』をプレイするユーザのデータセット上でモデルをトレーニングし,複数の実験と分析を行う。
その結果,埋め込み型手法が有効であった。
1)参照データの数分で,非特定動作から新規ユーザを識別できる。
2)新しいユーザーを数秒で登録できる一方で、同じ分類ベースのアプローチをトレーニングするのにほぼ1日かかる。
3)参照データが少ない場合に、ベースライン分類ベースのアプローチよりも信頼性が高い。
4) 異なるVRデバイスで記録された別のデータセットから新しいユーザーを特定するために使用することができる。
我々のソリューションは、XRユーザ識別システムを簡単に拡張できる基盤であり、非特異な動作にも適用できる。
また、専門知識やハードウェア、あるいはディープラーニングモデルをトレーニングするためのデータを必要としない、XR実践者が使用可能なプロダクション対応モデルの道を開く。
関連論文リスト
- On the steerability of large language models toward data-driven personas [103.17413190093366]
協調フィルタリングに基づくデータ駆動型ペルソナ定義手法を提案する。
ユーザの連続表現を仮想トークンのシーケンスにマッピングするために,ソフトプロンプトモデルを学ぶ。
以上の結果から,本アルゴリズムはベースラインの収集よりも性能が優れていることがわかった。
論文 参考訳(メタデータ) (2023-11-08T19:01:13Z) - Enhancing Virtual Assistant Intelligence: Precise Area Targeting for
Instance-level User Intents beyond Metadata [18.333599919653444]
アプリケーション画面のピクセルに基づいて,インスタンスレベルのユーザ意図を処理できる仮想アシスタントについて検討する。
入力音声やテキストのインスタンスレベルのユーザ意図を学習するクロスモーダルなディープラーニングパイプラインを提案する。
テストデータセットをインスタンスレベルのユーザインテントで収集するために,参加者10名を対象にユーザスタディを実施した。
論文 参考訳(メタデータ) (2023-06-07T05:26:38Z) - SelfAct: Personalized Activity Recognition based on Self-Supervised and
Active Learning [0.688204255655161]
SelfActは、ウェアラブルおよびモバイルデバイス上でのヒューマンアクティビティ認識(HAR)のための新しいフレームワークである。
自己教師とアクティブな学習を組み合わせることで、アクティビティ実行のイントラやインターバリアビリティといった問題を軽減します。
公開されている2つのHARデータセットに関する実験は、SelfActが完全に教師付きアプローチのそれに近い、あるいはそれ以上の結果を得ることを示した。
論文 参考訳(メタデータ) (2023-04-19T09:39:11Z) - Comparison of Data Representations and Machine Learning Architectures
for User Identification on Arbitrary Motion Sequences [8.967985264567217]
本稿では,頭部と手の動きの任意のシーケンスに基づいて,異なる機械学習手法を用いてユーザを識別する。
すべてのコードを公開して、将来の作業のベースラインを提供しています。
このモデルは、150秒以内の精度で、34人の被験者のどれかを正確に識別する。
論文 参考訳(メタデータ) (2022-10-02T14:12:10Z) - 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) - SSSE: Efficiently Erasing Samples from Trained Machine Learning Models [103.43466657962242]
サンプル消去のための効率的かつ効率的なアルゴリズムSSSEを提案する。
ある場合、SSSEは、許可されたデータだけで新しいモデルをスクラッチからトレーニングする最適な、しかし実用的でない金の標準と同様に、サンプルをほぼ消去することができる。
論文 参考訳(メタデータ) (2021-07-08T14:17:24Z) - One to Many: Adaptive Instrument Segmentation via Meta Learning and
Dynamic Online Adaptation in Robotic Surgical Video [71.43912903508765]
MDALは、ロボット支援手術における機器セグメンテーションのための動的オンライン適応学習スキームです。
ビデオ固有のメタ学習パラダイムを通じて、楽器の一般的な知識と高速適応能力を学ぶ。
2つのデータセットで他の最先端のメソッドよりも優れています。
論文 参考訳(メタデータ) (2021-03-24T05:02:18Z) - Federated Learning of User Authentication Models [69.93965074814292]
機械学習モデルのプライバシー保護のためのフレームワークであるFederated User Authentication (FedUA)を提案する。
FedUAは、フェデレートされた学習フレームワークを採用して、ユーザが生の入力を共有することなく、共同でモデルをトレーニングできるようにする。
提案手法はプライバシ保護であり,多数のユーザに対してスケーラブルであることを示し,出力層を変更することなく,新たなユーザをトレーニングに追加できるようにした。
論文 参考訳(メタデータ) (2020-07-09T08:04:38Z) - Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。
我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。
そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
論文 参考訳(メタデータ) (2020-05-18T09:36:51Z)
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。