論文の概要: Source-Free Domain Adaptation for SSVEP-based Brain-Computer Interfaces
- arxiv url: http://arxiv.org/abs/2305.17403v2
- Date: Sun, 19 Nov 2023 11:07:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-22 19:22:49.717896
- Title: Source-Free Domain Adaptation for SSVEP-based Brain-Computer Interfaces
- Title（参考訳）: ソースフリードメイン適応によるSSVEPベースの脳-コンピュータインタフェース
- Authors: Osman Berke Guney, Deniz Kucukahmetler and Huseyin Ozkan
- Abstract要約: 本稿では、定常視覚誘発電位(SSVEP)に基づく脳-コンピュータインタフェース(BCI)スペルに対するソースフリードメイン適応法を提案する。
高い情報伝達率(ITR)を達成するには、システムを使用する前に広範囲の校正期間が必要となる。
本稿では、ソースドメインのデータに基づいて事前訓練された強力なディープニューラルネットワーク(DNN)を新しいユーザに適用する手法を提案する。
- 参考スコア（独自算出の注目度）: 1.4364491422470593
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents a source free domain adaptation method for steady-state
visually evoked potentials (SSVEP) based brain-computer interface (BCI)
spellers. SSVEP-based BCI spellers assist individuals experiencing speech
difficulties by enabling them to communicate at a fast rate. However, achieving
a high information transfer rate (ITR) in most prominent methods requires an
extensive calibration period before using the system, leading to discomfort for
new users. We address this issue by proposing a novel method that adapts a
powerful deep neural network (DNN) pre-trained on data from source domains
(data from former users or participants of previous experiments) to the new
user (target domain), based only on the unlabeled target data. This adaptation
is achieved by minimizing our proposed custom loss function composed of
self-adaptation and local-regularity terms. The self-adaptation term uses the
pseudo-label strategy, while the novel local-regularity term exploits the data
structure and forces the DNN to assign similar labels to adjacent instances.
The proposed method priorities user comfort by removing the burden of
calibration while maintaining an excellent character identification accuracy
and ITR. In particular, our method achieves striking 201.15 bits/min and 145.02
bits/min ITRs on the benchmark and BETA datasets, respectively, and outperforms
the state-of-the-art alternatives. Our code is available at
https://github.com/osmanberke/SFDA-SSVEP-BCI
- Abstract（参考訳）: 本稿では、定常視覚誘発電位(SSVEP)に基づく脳-コンピュータインタフェース(BCI)スペルに対するソースフリードメイン適応法を提案する。
SSVEPベースのBCIスペルは、迅速なコミュニケーションを可能にすることで、発話困難を経験する個人を支援する。
しかし,高情報伝達率 (ITR) を実現するには,システムを使用する前に広い校正期間を必要とするため,新規ユーザの不快感が生じる。
本稿では,未ラベルのターゲットデータのみに基づいて,ソースドメイン(元ユーザや過去の実験参加者のデータ)から新たなユーザ(ターゲットドメイン)に事前学習したデータに基づいて,強力なディープニューラルネットワーク(dnn)を適応させる新しい手法を提案する。
この適応は、自己適応項と局所正規項からなるカスタム損失関数を最小化する。
自己適応項は擬似ラベル戦略を使い、新しい局所規則項はデータ構造を利用してDNNに類似のラベルを隣接インスタンスに割り当てさせる。
提案手法は,キャリブレーションの負担を取り除き,優れたキャラクタ識別精度とitrを維持しながらユーザの快適性を優先する。
特に、ベンチマークとBETAデータセットにおける201.15ビット/minと145.02ビット/minのITRをそれぞれ達成し、最先端の代替よりも優れています。
私たちのコードはhttps://github.com/osmanberke/SFDA-SSVEP-BCIで利用可能です。
関連論文リスト
- Informative Data Mining for One-Shot Cross-Domain Semantic Segmentation [84.82153655786183]
Informative Data Mining (IDM) と呼ばれる新しいフレームワークを提案し、セマンティックセグメンテーションのための効率的なワンショットドメイン適応を実現する。
IDMは、最も情報性の高いサンプルを特定するために不確実性に基づく選択基準を提供し、迅速に適応し、冗長なトレーニングを減らす。
提案手法は,GTA5/SYNTHIAからCityscapesへの適応タスクにおいて,既存の手法より優れ,56.7%/55.4%の最先端のワンショット性能を実現している。
論文 参考訳（メタデータ） (2023-09-25T15:56:01Z) - Divide and Contrast: Source-free Domain Adaptation via Adaptive
Contrastive Learning [122.62311703151215]
Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。
DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。
さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
論文 参考訳（メタデータ） (2022-11-12T09:21:49Z) - Memory Consistent Unsupervised Off-the-Shelf Model Adaptation for
Source-Relaxed Medical Image Segmentation [13.260109561599904]
非教師なしドメイン適応(UDA)は、ラベル付きソースドメインからラベル付きヘテロジニアスターゲットドメインに学習した情報を移行するための重要なプロトコルである。
我々は、ソースドメインで訓練されたOSセグメントをターゲットドメインに適応させることにより、イメージセグメンテーションを目的とした「オフ・ザ・シェルフ(OS)」 UDA (OSUDA) を提案する。
論文 参考訳（メタデータ） (2022-09-16T13:13:50Z) - Transfer Learning of an Ensemble of DNNs for SSVEP BCI Spellers without
User-Specific Training [3.6144103736375857]
現在の高性能SSVEP BCIスペルは、システム適応のために、新しいユーザごとに、初期的かつタイリングされたユーザ固有のトレーニングを必要とする。
実用性を確保するため,深層ニューラルネットワーク(DNN)のアンサンブルに基づく,高度に新しいターゲット同定手法を提案する。
我々は、すでに存在する文献データセットを利用して、以前に行われた脳波実験の参加者から、まずグローバルターゲット識別子DNNを訓練する。
我々は、この微調整されたDNNのアンサンブルを新しいユーザインスタンスに転送し、参加者の統計的類似性に応じて最も代表的なDNNkを判定し、重み付けされた組み合わせによってターゲットキャラクタを予測する。
論文 参考訳（メタデータ） (2022-09-03T23:24:47Z) - Contextual Squeeze-and-Excitation for Efficient Few-Shot Image
Classification [57.36281142038042]
本稿では,事前学習したニューラルネットワークを新しいタスクで調整し,性能を大幅に向上させる,Contextual Squeeze-and-Excitation (CaSE) という適応ブロックを提案する。
また、メタトレーニングされたCaSEブロックと微調整ルーチンを利用して効率よく適応する、アッパーCaSEと呼ばれるコーディネートダイスに基づく新しいトレーニングプロトコルを提案する。
論文 参考訳（メタデータ） (2022-06-20T15:25:08Z) - Continual Test-Time Domain Adaptation [94.51284735268597]
テスト時ドメイン適応は、ソースデータを使用しずに、ソース事前訓練されたモデルをターゲットドメインに適応することを目的としている。
CoTTAは実装が容易で、市販の事前訓練モデルに簡単に組み込むことができる。
論文 参考訳（メタデータ） (2022-03-25T11:42:02Z) - Generalizable Person Re-Identification via Self-Supervised Batch Norm
Test-Time Adaption [63.7424680360004]
Batch Norm Test-time Adaption (BNTA)は、BNパラメータを適応的に更新するための自己教師型戦略を適用する、新しいre-idフレームワークである。
BNTAは、推論前にラベル付けされていないターゲットデータ内のドメイン認識情報を探索し、BNによって正規化された特徴分布を変調してターゲットドメインに適応させる。
論文 参考訳（メタデータ） (2022-03-01T18:46:32Z) - Test-time Batch Statistics Calibration for Covariate Shift [66.7044675981449]
我々は,推論中に深層モデルを新しい環境に適応させることを提案する。
バッチ統計の校正に$alpha$-BNの一般的な定式化を提案する。
また、統合テスト時間適応フレームワークCoreを形成するための新しい損失関数も提示する。
論文 参考訳（メタデータ） (2021-10-06T08:45:03Z) - Adaptive Pseudo-Label Refinement by Negative Ensemble Learning for
Source-Free Unsupervised Domain Adaptation [35.728603077621564]
既存のUnsupervised Domain Adaptation (UDA)メソッドは、トレーニング中にソースとターゲットのドメインデータを同時に利用できると仮定する。
訓練済みのソースモデルは、よく知られたドメインシフトの問題により、ターゲットに対して性能が悪くても、常に利用可能であると考えられている。
適応型ノイズフィルタリングと擬似ラベル改良に取り組むための統一手法を提案する。
論文 参考訳（メタデータ） (2021-03-29T22:18:34Z)
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。