論文の概要: Self-Correctable and Adaptable Inference for Generalizable Human Pose Estimation

• arxiv url: http://arxiv.org/abs/2303.11180v1
• Date: Mon, 20 Mar 2023 15:05:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-21 14:59:58.177989
• Title: Self-Correctable and Adaptable Inference for Generalizable Human Pose Estimation
• Title（参考訳）: 一般化可能な人文推定のための自己補正可能で適応可能な推論
• Authors: Zhehan Kan, Shuoshuo Chen, Ce Zhang, Yushun Tang, Zhihai He
• Abstract要約: 本稿では,ネットワーク予測の一般化問題に対処するために,自己修正可能適応型推論(SCAI)手法を提案する。 提案手法は,人間のポーズ推定の一般化能力と性能を大幅に向上させることができることを示す。
• 参考スコア（独自算出の注目度）: 25.14459820592431
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A central challenge in human pose estimation, as well as in many other machine learning and prediction tasks, is the generalization problem. The learned network does not have the capability to characterize the prediction error, generate feedback information from the test sample, and correct the prediction error on the fly for each individual test sample, which results in degraded performance in generalization. In this work, we introduce a self-correctable and adaptable inference (SCAI) method to address the generalization challenge of network prediction and use human pose estimation as an example to demonstrate its effectiveness and performance. We learn a correction network to correct the prediction result conditioned by a fitness feedback error. This feedback error is generated by a learned fitness feedback network which maps the prediction result to the original input domain and compares it against the original input. Interestingly, we find that this self-referential feedback error is highly correlated with the actual prediction error. This strong correlation suggests that we can use this error as feedback to guide the correction process. It can be also used as a loss function to quickly adapt and optimize the correction network during the inference process. Our extensive experimental results on human pose estimation demonstrate that the proposed SCAI method is able to significantly improve the generalization capability and performance of human pose estimation.
• Abstract（参考訳）: 人間のポーズ推定や、他の多くの機械学習や予測タスクにおける中心的な課題は、一般化の問題である。 学習したネットワークは、予測誤差を特徴付ける能力を持たず、テストサンプルからフィードバック情報を生成し、個々のテストサンプルごとにフライ上の予測誤差を補正し、一般化における性能を低下させる。 本研究では,ネットワーク予測の一般化課題に対処する自己補正型適応型推論(SCAI)手法を導入し,その効果と性能を示す例として人間のポーズ推定を用いる。 我々は、フィットネスフィードバックエラーによって条件付けられた予測結果を補正する修正ネットワークを学習する。 このフィードバックエラーは、予測結果を元の入力領域にマッピングし、元の入力と比較する学習型フィットネスフィードバックネットワークによって生成される。 興味深いことに、この自己参照フィードバックエラーは実際の予測誤差と非常に相関している。 この強い相関関係は、この誤りを補正プロセスを導くフィードバックとして使用できることを示唆している。 また、推論プロセス中に修正ネットワークを迅速に適応し最適化するための損失関数としても使用できる。 ヒトのポーズ推定に関する広範な実験結果から,提案手法は人間のポーズ推定の一般化能力と性能を大幅に向上させることができることが示された。

関連論文リスト

• Feature Perturbation Augmentation for Reliable Evaluation of Importance Estimators in Neural Networks [5.439020425819001]
  ポストホック解釈可能性法は、ディープニューラルネットワークの内部動作をより解釈可能にしようとする。 最も一般的な評価フレームワークの1つは、解釈可能性メソッドによって重要とみなされる機能を摂動させることである。 モデルトレーニング中に摂動画像を生成し,付加する特徴摂動増強(FPA)を提案する。
  論文  参考訳（メタデータ） (2023-03-02T19:05:46Z)
• Improving Adaptive Conformal Prediction Using Self-Supervised Learning [72.2614468437919]
  我々は、既存の予測モデルの上に自己教師付きプレテキストタスクを持つ補助モデルを訓練し、自己教師付きエラーを付加的な特徴として用いて、非整合性スコアを推定する。 合成データと実データの両方を用いて、効率(幅)、欠陥、共形予測間隔の超過といった付加情報の利点を実証的に実証する。
  論文  参考訳（メタデータ） (2023-02-23T18:57:14Z)
• Modeling Uncertain Feature Representation for Domain Generalization [49.129544670700525]
  提案手法は,複数の視覚タスクにおけるネットワーク一般化能力を常に改善することを示す。 我々の手法は単純だが有効であり、トレーニング可能なパラメータや損失制約を伴わずにネットワークに容易に統合できる。
  論文  参考訳（メタデータ） (2023-01-16T14:25:02Z)
• Generalizability Analysis of Graph-based Trajectory Predictor with Vectorized Representation [29.623692599892365]
  軌道予測は自動運転車にとって不可欠な課題の1つである。 機械学習の最近の進歩は、一連の高度な軌道予測アルゴリズムを生み出した。
  論文  参考訳（メタデータ） (2022-08-06T20:19:52Z)
• Perturbed and Strict Mean Teachers for Semi-supervised Semantic Segmentation [22.5935068122522]
  本稿では,平均教師モデルの拡張による一貫性学習手法の予測精度問題に対処する。 このモデルによる正確な予測により、ネットワーク、入力データ、特徴摂動の難しい組み合わせを用いて、一貫性学習の一般化を改善することができる。 ベンチマークの結果,本手法は従来のSOTA法よりも顕著に改善されていることがわかった。
  論文  参考訳（メタデータ） (2021-11-25T04:30:56Z)
• Understanding the Generalization of Adam in Learning Neural Networks with Proper Regularization [118.50301177912381]
  我々は,重力減衰グローバリゼーションにおいても,目的の異なる解に確実に異なる誤差で収束できることを示す。 凸と重み減衰正則化を用いると、Adamを含む任意の最適化アルゴリズムは同じ解に収束することを示す。
  論文  参考訳（メタデータ） (2021-08-25T17:58:21Z)
• Predicting Deep Neural Network Generalization with Perturbation Response Curves [58.8755389068888]
  トレーニングネットワークの一般化能力を評価するための新しいフレームワークを提案する。 具体的には,一般化ギャップを正確に予測するための2つの新しい尺度を提案する。 PGDL(Predicting Generalization in Deep Learning)のNeurIPS 2020コンペティションにおけるタスクの大部分について、現在の最先端の指標よりも優れた予測スコアを得る。
  論文  参考訳（メタデータ） (2021-06-09T01:37:36Z)
• Generalized Adversarial Distances to Efficiently Discover Classifier Errors [0.0]
  高信頼エラーは、モデルがその予測に非常に自信を持っているが間違っている稀な出来事である。 本稿では,機械学習の概念を活用し,逆距離探索の一般化を提案する。 実験結果から, 一般化された手法では, 予測値の信頼度から, 予測値よりも誤差が大きいことがわかった。
  論文  参考訳（メタデータ） (2021-02-25T13:31:21Z)
• Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
  ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。 彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。 本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
  論文  参考訳（メタデータ） (2021-02-22T07:02:37Z)
• Adversarial Refinement Network for Human Motion Prediction [61.50462663314644]
  リカレントニューラルネットワークとフィードフォワードディープネットワークという2つの一般的な手法は、粗い動きの傾向を予測することができる。 本稿では,新たな逆誤差増大を伴う簡易かつ効果的な粗大きめ機構に従えば,ARNet(Adversarial Refinement Network)を提案する。
  論文  参考訳（メタデータ） (2020-11-23T05:42:20Z)

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。