論文の概要: MassNet: A Deep Learning Approach for Body Weight Extraction from A Single Pressure Image

• arxiv url: http://arxiv.org/abs/2303.10136v1
• Date: Fri, 17 Mar 2023 17:24:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-20 13:38:58.685928
• Title: MassNet: A Deep Learning Approach for Body Weight Extraction from A Single Pressure Image
• Title（参考訳）: MassNet: 単圧画像からの体重抽出のためのディープラーニングアプローチ
• Authors: Ziyu Wu, Quan Wan, Mingjie Zhao, Yi Ke, Yiran Fang, Zhen Liang, Fangting Xie and Jingyuan Cheng
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.41043522719179826
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Body weight, as an essential physiological trait, is of considerable significance in many applications like body management, rehabilitation, and drug dosing for patient-specific treatments. Previous works on the body weight estimation task are mainly vision-based, using 2D/3D, depth, or infrared images, facing problems in illumination, occlusions, and especially privacy issues. The pressure mapping mattress is a non-invasive and privacy-preserving tool to obtain the pressure distribution image over the bed surface, which strongly correlates with the body weight of the lying person. To extract the body weight from this image, we propose a deep learning-based model, including a dual-branch network to extract the deep features and pose features respectively. A contrastive learning module is also combined with the deep-feature branch to help mine the mutual factors across different postures of every single subject. The two groups of features are then concatenated for the body weight regression task. To test the model's performance over different hardware and posture settings, we create a pressure image dataset of 10 subjects and 23 postures, using a self-made pressure-sensing bedsheet. This dataset, which is made public together with this paper, together with a public dataset, are used for the validation. The results show that our model outperforms the state-of-the-art algorithms over both 2 datasets. Our research constitutes an important step toward fully automatic weight estimation in both clinical and at-home practice. Our dataset is available for research purposes at: https://github.com/USTCWzy/MassEstimation.
• Abstract（参考訳）: 身体の重量は、重要な生理的特性として、身体管理、リハビリテーション、患者固有の治療のための薬物服用など多くの応用において重要なものである。 これまでの体重推定作業は、主に2D/3D、深度、赤外線画像を用いて視覚に基づいており、照明、閉塞、特にプライバシーの問題に直面している。 圧力マッピングマットレスは、ベッド表面上の圧力分布画像を得るための非侵襲的かつプライバシー保護ツールであり、嘘つき者の体重と強く相関する。 本画像から体重を抽出するために,深部特徴を抽出し,それぞれ特徴を呈示する二分岐ネットワークを含む深部学習モデルを提案する。 対照的な学習モジュールとdeep-featureブランチを組み合わせることで、各被験者の異なる姿勢の相互要因を掘り下げることができる。 2つの特徴群は、体重回帰タスクのために連結される。 異なるハードウェアおよび姿勢設定でモデルの性能をテストするために、自作の圧力感知ベッドシートを用いて、被験者10名と姿勢23名の圧力画像データセットを作成する。 このデータセットは、この論文と共に公開され、パブリックデータセットと共に、検証に使用される。 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。 本研究は,臨床および在宅医療における完全自動体重推定に向けた重要なステップである。 私たちのデータセットは、研究目的のhttps://github.com/ustcwzy/massestimationで利用できます。

関連論文リスト

• A Simple Strategy for Body Estimation from Partial-View Images [8.05538560322898]
  仮想試行と製品パーソナライズは、現代オンラインショッピングにおいてますます重要になってきており、正確な身体計測推定の必要性を強調している。 従来の研究では、RGB画像から3次元の身体形状を推定する研究が進んでいるが、画像中の人間の観察スケールは、距離と体次元の2つの未知の要因に依存するため、本質的に不明瞭である。 対象骨格を所望の位置に移動させ, スケールを正規化し, 両変数の関係を解消する, モジュラーで単純な高さ正規化法を提案する。
  論文  参考訳（メタデータ） (2024-04-14T16:55:23Z)
• Overcoming Dimensional Collapse in Self-supervised Contrastive Learning for Medical Image Segmentation [2.6764957223405657]
  医用画像解析分野へのコントラスト学習の適用について検討する。 以上の結果から,最先端のコントラスト学習手法であるMoCo v2は,医用画像に適用すると次元的崩壊に遭遇することが明らかとなった。 これを解決するために,局所的な特徴学習と特徴デコレーションという2つの重要な貢献を提案する。
  論文  参考訳（メタデータ） (2024-02-22T15:02:13Z)
• UniHPE: Towards Unified Human Pose Estimation via Contrastive Learning [29.037799937729687]
  2次元と3次元の人間の姿勢推定(HPE)はコンピュータビジョンにおける2つの重要な知覚的タスクである。 提案するUniHPEは,3つのモードの全ての特徴を整列する,統一されたヒューマンポーズ推定パイプラインである。 提案手法は,コンピュータビジョンの分野を前進させ,様々な応用に寄与する大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2023-11-24T21:55:34Z)
• Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
  我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。 まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。 第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
  論文  参考訳（メタデータ） (2022-09-27T15:50:31Z)
• KTN: Knowledge Transfer Network for Learning Multi-person 2D-3D Correspondences [77.56222946832237]
  画像中の複数の人物の密着度を検出するための新しい枠組みを提案する。 提案手法は知識伝達ネットワーク(KTN)の2つの問題に対処する。 特徴解像度を同時に維持し、背景画素を抑圧し、この戦略は精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2022-06-21T03:11:37Z)
• Generalizable Neural Performer: Learning Robust Radiance Fields for Human Novel View Synthesis [52.720314035084215]
  この研究は、一般のディープラーニングフレームワークを使用して、任意の人間の演奏者の自由視点画像を合成することを目的としている。 我々は、汎用的で堅牢な神経体表現を学習するシンプルな、かつ強力なフレームワーク、Generalizable Neural Performer(GNR)を提案する。 GeneBody-1.0とZJU-Mocapの実験は、最近の最先端の一般化可能な手法よりも、我々の手法の堅牢性を示している。
  論文  参考訳（メタデータ） (2022-04-25T17:14:22Z)
• Privacy-Preserving In-Bed Pose Monitoring: A Fusion and Reconstruction Study [9.474452908573111]
  ベッド内ポーズ推定における複数の非視覚的・プライバシー保護的モダリティの画像の有効利用について検討する。 まず,様々な画像モダリティからの情報を効果的に融合し,より優れたポーズ推定を行う。 次に,可視画像が利用できない場合のベッド内ポーズ推定を行うフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-22T07:24:21Z)
• Liquid Warping GAN with Attention: A Unified Framework for Human Image Synthesis [58.05389586712485]
  我々は、人間の動きの模倣、外見の移入、新しい視点の合成など、人間の画像合成に取り組む。 本稿では,ポーズと形状を乱す3次元ボディーメッシュ回収モジュールを提案する。 我々はまた、人間の動きの模倣、外観伝達、新しいビュー合成を評価するために、新しいデータセット、すなわちiPERデータセットを構築した。
  論文  参考訳（メタデータ） (2020-11-18T02:57:47Z)
• Fed-Sim: Federated Simulation for Medical Imaging [131.56325440976207]
  本稿では、2つの学習可能なニューラルモジュールからなる物理駆動型生成手法を提案する。 データ合成フレームワークは、複数のデータセットの下流セグメンテーション性能を改善する。
  論文  参考訳（メタデータ） (2020-09-01T19:17:46Z)
• 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)
• Bodies at Rest: 3D Human Pose and Shape Estimation from a Pressure Image using Synthetic Data [22.264931349167412]
  本研究では,圧力感知マットを用いたベッド内での安静時の人体をシミュレーションする物理法について述べる。 人間のポーズと形状を3Dで表現した206Kの圧力画像を用いた合成データセットであるSciencePoseを提示する。 また、圧力画像と性別が与えられた人間のポーズと形状を推定する深層学習モデルであるScienceNetも提示する。
  論文  参考訳（メタデータ） (2020-04-02T17:44:58Z)

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。