論文の概要: Neuron Structure Modeling for Generalizable Remote Physiological
Measurement
- arxiv url: http://arxiv.org/abs/2303.05955v1
- Date: Fri, 10 Mar 2023 14:44:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-13 14:43:24.511667
- Title: Neuron Structure Modeling for Generalizable Remote Physiological
Measurement
- Title（参考訳）: 遠隔生理計測のためのニューロン構造モデリング
- Authors: Hao Lu, Zitong Yu, Xuesong Niu, Yingcong Chen
- Abstract要約: 近年,リモート光胸腺造影(r)技術が注目されている。
顔ビデオから血液ボリュームパルス(BVP)を抽出し、多くのアプリケーションがよりアクセスしやすくする。
既存の手法は、目に見えない領域に対してうまく一般化するのに苦労する。
NEuron STructure Modeling (NEST) と呼ばれるドメインラベルのない手法を提案する。
- 参考スコア（独自算出の注目度）: 35.33213338840912
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Remote photoplethysmography (rPPG) technology has drawn increasing attention
in recent years. It can extract Blood Volume Pulse (BVP) from facial videos,
making many applications like health monitoring and emotional analysis more
accessible. However, as the BVP signal is easily affected by environmental
changes, existing methods struggle to generalize well for unseen domains. In
this paper, we systematically address the domain shift problem in the rPPG
measurement task. We show that most domain generalization methods do not work
well in this problem, as domain labels are ambiguous in complicated
environmental changes. In light of this, we propose a domain-label-free
approach called NEuron STructure modeling (NEST). NEST improves the
generalization capacity by maximizing the coverage of feature space during
training, which reduces the chance for under-optimized feature activation
during inference. Besides, NEST can also enrich and enhance domain invariant
features across multi-domain. We create and benchmark a large-scale domain
generalization protocol for the rPPG measurement task. Extensive experiments
show that our approach outperforms the state-of-the-art methods on both
cross-dataset and intra-dataset settings.
- Abstract（参考訳）: リモート光胸腺撮影(rPPG)技術は近年注目されている。
顔ビデオから血液量パルス(BVP)を抽出し、健康モニタリングや感情分析などの多くのアプリケーションにアクセスできるようにする。
しかし,bvp信号は環境変化の影響を受けやすいため,既存の手法では未認識領域の一般化に苦慮している。
本稿では,rPPG測定タスクにおける領域シフト問題に系統的に対処する。
ドメインラベルは複雑な環境変化においてあいまいであるため,ほとんどの領域一般化手法はこの問題ではうまく機能しない。
そこで我々はNEuron STructure Modeling (NEST) と呼ばれるドメインラベルのない手法を提案する。
nestはトレーニング中に機能空間の範囲を最大化することで一般化能力を向上させ、推論中に最適化されていない機能アクティベーションの機会を減少させる。
さらに、NESTは複数のドメインにまたがるドメイン不変機能の強化と強化も可能である。
我々は,rppg計測タスクのための大規模ドメイン一般化プロトコルを作成し,ベンチマークを行う。
本手法は, クロスデータセットおよびイントラデータセット設定において, 最先端の手法よりも優れていることを示す。
関連論文リスト
- Gradient Alignment for Cross-Domain Face Anti-Spoofing [26.517887637150594]
本稿では,新たな学習目標であるGAC-FASを紹介する。
従来のシャープネス対応最小化器とは異なり、GAC-FASは各領域の上昇点を特定し、一般化勾配の更新を制御する。
ドメイン間FASデータセットの厳密な検証によりGAC-FASの有効性を実証する。
論文 参考訳（メタデータ） (2024-02-29T02:57:44Z) - Single Domain Dynamic Generalization for Iris Presentation Attack
Detection [41.126916126040655]
アイリスプレゼンテーションの一般化はドメイン内の設定では大きな成功を収めたが、目に見えないドメインでは容易に分解できる。
本稿では,ドメイン不変性とドメイン固有性を利用した単一ドメイン動的一般化(SDDG)フレームワークを提案する。
提案手法は有効であり,LivDet-Iris 2017データセットの最先端性を上回っている。
論文 参考訳（メタデータ） (2023-05-22T07:54:13Z) - Multi-scale Feature Alignment for Continual Learning of Unlabeled
Domains [3.9498537297431167]
生成的特徴駆動のイメージリプレイとデュアル目的判別器は、リプレイのための現実的な特徴を持つ画像の生成を可能にする。
本稿では,提案手法の構成要素について詳細なアブレーション実験を行い,非教師付きパッチベースセグメンテーションタスクに対する連続的UDA法の適用可能性を示す。
論文 参考訳（メタデータ） (2023-02-02T18:19:01Z) - Cyclically Disentangled Feature Translation for Face Anti-spoofing [61.70377630461084]
循環不整合特徴変換ネットワーク(CDFTN)と呼ばれる新しい領域適応手法を提案する。
CDFTNは、(1)ソースドメイン不変の生長特徴と2)ドメイン固有のコンテンツ特徴とを持つ擬似ラベル付きサンプルを生成する。
ソースドメインラベルの監督の下で、合成擬似ラベル付き画像に基づいてロバスト分類器を訓練する。
論文 参考訳（メタデータ） (2022-12-07T14:12:34Z) - Normalization Perturbation: A Simple Domain Generalization Method for
Real-World Domain Shifts [133.99270341855728]
実世界のドメインスタイルは環境の変化やセンサノイズによって大きく変化する可能性がある。
深層モデルはトレーニングドメインスタイルしか知らない。
このドメインスタイルのオーバーフィット問題を解決するために,正規化摂動を提案する。
論文 参考訳（メタデータ） (2022-11-08T17:36:49Z) - AADG: Automatic Augmentation for Domain Generalization on Retinal Image
Segmentation [1.0452185327816181]
AADG(Automated Augmentation for Domain Generalization)と呼ばれるデータ操作に基づくドメイン一般化手法を提案する。
我々のAADGフレームワークは、新しいドメインを生成するデータ拡張ポリシーを効果的にサンプリングすることができる。
提案するAADGは,最先端の一般化性能を示し,既存手法より優れている。
論文 参考訳（メタデータ） (2022-07-27T02:26:01Z) - AFAN: Augmented Feature Alignment Network for Cross-Domain Object
Detection [90.18752912204778]
オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。
本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。
提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
論文 参考訳（メタデータ） (2021-06-10T05:01:20Z) - Generalizable Representation Learning for Mixture Domain Face
Anti-Spoofing [53.82826073959756]
ドメイン一般化(DG)に基づく対スプーフィングアプローチは、予期せぬシナリオの堅牢性のために注目を集めています。
ドメインダイナミック調整メタラーニング(D2AM)についてドメインラベルを使わずに提案する。
この制限を克服するため,ドメインダイナミック調整メタラーニング(D2AM)を提案する。
論文 参考訳（メタデータ） (2021-05-06T06:04:59Z) - Unsupervised Domain Adaptation Network with Category-Centric Prototype
Aligner for Biomedical Image Segmentation [1.1799563040751586]
本稿では,ラベル付きソースドメインから非ラベル付きターゲットドメインへ学習したモデルを一般化するための新しい非監視ドメイン適応ネットワークを提案する。
具体的には,条件付きドメイン判別器(cdd)とカテゴリ中心プロトタイプライナー(ccpa)という2つのキーモジュールからなる。
論文 参考訳（メタデータ） (2021-03-03T07:07:38Z) - Shape-aware Meta-learning for Generalizing Prostate MRI Segmentation to
Unseen Domains [68.73614619875814]
前立腺MRIのセグメント化におけるモデル一般化を改善するために,新しい形状認識メタラーニング手法を提案する。
実験結果から,本手法は未確認領域の6つの設定すべてにおいて,最先端の一般化手法を一貫して上回っていることが明らかとなった。
論文 参考訳（メタデータ） (2020-07-04T07:56:02Z) - Domain Conditioned Adaptation Network [90.63261870610211]
本稿では,ドメイン条件付きチャネルアテンション機構を用いて,異なる畳み込みチャネルを励起するドメイン条件適応ネットワーク(DCAN)を提案する。
これは、ディープDAネットワークのドメインワイドな畳み込みチャネルアクティベーションを探求する最初の試みである。
論文 参考訳（メタデータ） (2020-05-14T04:23:24Z)
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。