論文の概要: Area of interest adaption using feature importance

• arxiv url: http://arxiv.org/abs/2303.12744v1
• Date: Fri, 3 Mar 2023 07:49:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-25 02:49:34.560485
• Title: Area of interest adaption using feature importance
• Title（参考訳）: 特徴量を用いた関心適応領域
• Authors: Wolfgang Fuhl and Susanne Zabel and Theresa Harbig and Julia Astrid Moldt and Teresa Festl Wiete and Anne Herrmann Werner and Kay Nieselt
• Abstract要約: 我々は、関心領域(AOI)または関心領域(ROI)を視線追跡データ品質と分類タスクに適応させる2つのアプローチとアルゴリズムを提案する。 最初のアプローチでは、機能の重要性を欲張りの方法で使い、あらゆる方向にAOIを成長または縮小します。 第2のアプローチは、AOIを領域に分割し、成長の方向を計算する、第1のアプローチの拡張である。
• 参考スコア（独自算出の注目度）: 1.4469849628263638
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we present two approaches and algorithms that adapt areas of interest (AOI) or regions of interest (ROI), respectively, to the eye tracking data quality and classification task. The first approach uses feature importance in a greedy way and grows or shrinks AOIs in all directions. The second approach is an extension of the first approach, which divides the AOIs into areas and calculates a direction of growth, i.e. a gradient. Both approaches improve the classification results considerably in the case of generalized AOIs, but can also be used for qualitative analysis. In qualitative analysis, the algorithms presented allow the AOIs to be adapted to the data, which means that errors and inaccuracies in eye tracking data can be better compensated for. A good application example is abstract art, where manual AOIs annotation is hardly possible, and data-driven approaches are mainly used for initial AOIs. Link: https://es-cloud.cs.uni-tuebingen.de/d/8e2ab8c3fdd444e1a135/?p=%2FAOIGradient&mode=list
• Abstract（参考訳）: 本稿では,関心領域(AOI)と関心領域(ROI)にそれぞれ適応する2つのアプローチとアルゴリズムを,視線追跡データの品質と分類タスクに適用する。 最初のアプローチでは、機能の重要性を欲張りの方法で使い、あらゆる方向にAOIを成長または縮小します。 第2のアプローチは、AOIを領域に分割し、成長の方向、すなわち勾配を計算する第一のアプローチの拡張である。 どちらの手法も一般化されたAOIの場合の分類結果を大幅に改善するが、定性解析にも利用できる。 定性的分析では、提示されたアルゴリズムはAOIをデータに適応させることを可能にし、つまり、視線追跡データの誤りや不正確さをよりよく補償することができる。 優れたアプリケーション例としては抽象アートがあり、手動のAOIアノテーションはほとんど不可能であり、データ駆動アプローチは主に初期AOIに使用される。 リンク: https://es-cloud.cs.uni-tuebingen.de/8e2ab8c3fdd444e1a135/? p=%2FAOIGradient&mode=list

関連論文リスト

• Multimodal Urban Areas of Interest Generation via Remote Sensing Imagery and Geographical Prior [9.85003064364004]
  AOI(Urban Area-of-interest)は、多角形境界が定義された都市機能ゾーンである。 本稿では,正確なAOI境界を同時に検出し,AOIの信頼性を検証するための総合的なエンドツーエンド多モードディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-12T12:54:30Z)
• Towards Better Out-of-Distribution Generalization of Neural Algorithmic Reasoning Tasks [51.8723187709964]
  ニューラルネットワーク推論タスクのOOD一般化について検討する。 目標は、ディープニューラルネットワークを使用して入出力ペアからアルゴリズムを学ぶことである。
  論文  参考訳（メタデータ） (2022-11-01T18:33:20Z)
• Deep Active Ensemble Sampling For Image Classification [8.31483061185317]
  アクティブラーニングフレームワークは、最も有益なデータポイントのラベル付けを積極的に要求することで、データアノテーションのコストを削減することを目的としている。 提案手法には、不確実性に基づく手法、幾何学的手法、不確実性に基づく手法と幾何学的手法の暗黙の組み合わせなどがある。 本稿では, サンプル選択戦略における効率的な探索・探索トレードオフを実現するために, 不確実性に基づくフレームワークと幾何学的フレームワークの両方の最近の進歩を革新的に統合する。 本フレームワークは,(1)正確な後続推定,(2)計算オーバーヘッドと高い精度のトレードオフの2つの利点を提供する。
  論文  参考訳（メタデータ） (2022-10-11T20:20:20Z)
• Bi-level Alignment for Cross-Domain Crowd Counting [113.78303285148041]
  現在の手法は、補助的なタスクを訓練したり、高価な粗大な見積もりを適用したりするための外部データに依存している。 そこで我々は, 簡易かつ効率的に適用可能な, 逆学習に基づく新しい手法を開発した。 実世界の5つのクラウドカウントベンチマークに対するアプローチを評価し、既存のアプローチを大きなマージンで上回ります。
  論文  参考訳（メタデータ） (2022-05-12T02:23:25Z)
• Unbiased Directed Object Attention Graph for Object Navigation [4.037009782513272]
  本研究では,対象物間の注意関係を明示的に学習する際のエージェントを導くために,対象物注意グラフ(DOA)を提案する。 異なる枝の特徴を識別するために, 精密適応分岐エネルギー分布法(ABED)を提案する。 最新技術(SOTA)法と比較すると, 成功率(SR), パス長(SPL), 動作効率(SAE)が7.4%, 8.1%, 17.6%上昇した。
  論文  参考訳（メタデータ） (2022-04-09T08:13:05Z)
• Weakly Supervised Change Detection Using Guided Anisotropic Difusion [97.43170678509478]
  我々は、このようなデータセットを変更検出の文脈で活用するのに役立つ独自のアイデアを提案する。 まず,意味的セグメンテーション結果を改善する誘導異方性拡散(GAD)アルゴリズムを提案する。 次に、変化検出に適した2つの弱い教師付き学習戦略の可能性を示す。
  論文  参考訳（メタデータ） (2021-12-31T10:03:47Z)
• UMAD: Universal Model Adaptation under Domain and Category Shift [138.12678159620248]
  Universal Model Adaptation (UMAD)フレームワークは、ソースデータにアクセスせずに両方のUDAシナリオを処理する。 未知のサンプルと未知のサンプルを識別するのに役立つ情報整合性スコアを開発した。 オープンセットおよびオープンパーティルセット UDA シナリオの実験では、UMAD が最先端のデータ依存手法に匹敵する性能を示した。
  論文  参考訳（メタデータ） (2021-12-16T01:22:59Z)
• Cross-Domain Facial Expression Recognition: A Unified Evaluation Benchmark and Adversarial Graph Learning [85.6386289476598]
  我々は,クロスドメイン全体的特徴共適応のための新しい逆グラフ表現適応(AGRA)フレームワークを開発した。 我々は,いくつかの一般的なベンチマークで広範囲かつ公平な評価を行い,提案したAGRAフレームワークが従来の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-08-03T15:00:31Z)
• Supervised Domain Adaptation using Graph Embedding [86.3361797111839]
  領域適応法は、2つの領域間の分布がシフトし、それを認識しようとすると仮定する。 グラフ埋め込みに基づく汎用フレームワークを提案する。 提案手法が強力なドメイン適応フレームワークにつながることを示す。
  論文  参考訳（メタデータ） (2020-03-09T12:25:13Z)

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。