論文の概要: Noise-in, Bias-out: Balanced and Real-time MoCap Solving

• arxiv url: http://arxiv.org/abs/2309.14330v1
• Date: Mon, 25 Sep 2023 17:55:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-26 12:35:43.750663
• Title: Noise-in, Bias-out: Balanced and Real-time MoCap Solving
• Title（参考訳）: ノイズイン, バイアスアウト:バランスとリアルタイムMoCapの解法
• Authors: Georgios Albanis and Nikolaos Zioulis and Spyridon Thermos and Anargyros Chatzitofis and Kostas Kolomvatsos
• Abstract要約: 機械学習を用いて、雑音のないマーカー推定をリアルタイムで解く。 安価なセンサを用いても、ロバストなマーカーベースのモーションキャプチャ(MoCap)を提供する。
• 参考スコア（独自算出の注目度）: 13.897997236684283
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Real-time optical Motion Capture (MoCap) systems have not benefited from the advances in modern data-driven modeling. In this work we apply machine learning to solve noisy unstructured marker estimates in real-time and deliver robust marker-based MoCap even when using sparse affordable sensors. To achieve this we focus on a number of challenges related to model training, namely the sourcing of training data and their long-tailed distribution. Leveraging representation learning we design a technique for imbalanced regression that requires no additional data or labels and improves the performance of our model in rare and challenging poses. By relying on a unified representation, we show that training such a model is not bound to high-end MoCap training data acquisition, and exploit the advances in marker-less MoCap to acquire the necessary data. Finally, we take a step towards richer and affordable MoCap by adapting a body model-based inverse kinematics solution to account for measurement and inference uncertainty, further improving performance and robustness. Project page: https://moverseai.github.io/noise-tail
• Abstract（参考訳）: リアルタイム光モーションキャプチャ(MoCap)システムは、現代のデータ駆動モデリングの進歩の恩恵を受けていない。 本研究では,ノイズ非構造化マーカー推定をリアルタイムに解くために機械学習を適用し,比較的安価なセンサを用いた場合であっても頑健なマーカーベースのmocapを提供する。 これを実現するために,モデルのトレーニング,すなわちトレーニングデータのソーシングと,そのロングテール分布に関する多くの課題に焦点を当てた。 表現学習を活用することで、余分なデータやラベルを必要としない不均衡回帰のテクニックを設計し、稀で困難なポーズでモデルの性能を改善する。 統一表現に頼って、そのようなモデルのトレーニングは、ハイエンドなMoCapトレーニングデータ取得に縛られないことを示し、マーカーのないMoCapの進歩を利用して必要なデータを取得する。 最後に,ボディーモデルに基づく逆キネマティックスソリューションを適用し,測定と推論の不確実性を考慮して,さらにパフォーマンスとロバスト性を向上させることで,より豊かで安価なmocapへの一歩を踏み出した。 プロジェクトページ: https://moverseai.github.io/noise-tail

関連論文リスト

• Combating Missing Modalities in Egocentric Videos at Test Time [92.38662956154256]
  現実のアプリケーションは、プライバシの懸念、効率性の必要性、ハードウェアの問題により、不完全なモダリティを伴う問題に直面することが多い。 再トレーニングを必要とせずに,テスト時にこの問題に対処する新しい手法を提案する。 MiDlは、欠落したモダリティをテスト時にのみ扱う、自己管理型のオンラインソリューションとしては初めてのものだ。
  論文  参考訳（メタデータ） (2024-04-23T16:01:33Z)
• Data-efficient Large Vision Models through Sequential Autoregression [58.26179273091461]
  限られたデータセットに基づいて,効率的な自己回帰に基づく視覚モデルを構築する。 このモデルは,高レベル・低レベルのセマンティック理解の両方にまたがる視覚的タスクにおいて,その習熟度をいかに達成するかを実証する。 我々の経験的評価は、モデルが様々なタスクに適応する際の機敏さを強調し、パラメータフットプリントの大幅な削減を図った。
  論文  参考訳（メタデータ） (2024-02-07T13:41:53Z)
• MOSEL: Inference Serving Using Dynamic Modality Selection [4.849058875921672]
  モデル品質を維持しながら、推論入力からモダリティを適応的に選択するダイナミズム、モダリティ選択という形式を導入する。 MOSELはマルチモーダルMLモデルのための自動推論システムであり,ユーザ定義の性能と精度の要求に基づいて,要求毎の入力モダリティを慎重に選択する。
  論文  参考訳（メタデータ） (2023-10-27T20:50:56Z)
• MoMo: Momentum Models for Adaptive Learning Rates [14.392926033512069]
  我々は任意の運動量法で利用できる新しいPolyak型適応学習率を開発した。 我々はまず,SGD-Mのモーメントモデルに基づく適応学習率であるMoMoを開発した。 運動量に基づく手法と組み合わせてMoMoを利用できることを示すとともに,MoMo-Adamの開発によってこれを実証する。
  論文  参考訳（メタデータ） (2023-05-12T16:25:57Z)
• AI Model Disgorgement: Methods and Choices [127.54319351058167]
  本稿では,現代の機械学習システムに適用可能な分類法を紹介する。 学習モデルにおけるデータ「効果の除去」の意味を,スクラッチからリトレーニングする必要のない方法で検討する。
  論文  参考訳（メタデータ） (2023-04-07T08:50:18Z)
• Enhancing Multiple Reliability Measures via Nuisance-extended Information Bottleneck [77.37409441129995]
  トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。 我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。 そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
  論文  参考訳（メタデータ） (2023-03-24T16:03:21Z)
• CausalAgents: A Robustness Benchmark for Motion Forecasting using Causal Relationships [8.679073301435265]
  既存のデータに摂動を適用することにより、モデルロバスト性の評価と改善のための新しいベンチマークを構築する。 我々はこれらのラベルを使用して、現場から非因果的エージェントを削除することでデータを摂動する。 非因果摂動下では, minADE の相対的な変化は, 原型と比較して25$-$38%である。
  論文  参考訳（メタデータ） (2022-07-07T21:28:23Z)
• Self-Damaging Contrastive Learning [92.34124578823977]
  ラベルのないデータは一般に不均衡であり、長い尾の分布を示す。 本稿では,クラスを知らずに表現学習を自動的にバランスをとるための,自己学習コントラスト学習という原則的枠組みを提案する。 実験の結果,SDCLRは全体としての精度だけでなく,バランス性も著しく向上することがわかった。
  論文  参考訳（メタデータ） (2021-06-06T00:04:49Z)
• Model-Augmented Q-learning [112.86795579978802]
  モデルベースRLの構成要素を付加したMFRLフレームワークを提案する。 具体的には、$Q$-valuesだけでなく、共有ネットワークにおける遷移と報酬の両方を見積もる。 提案手法は,MQL (Model-augmented $Q$-learning) とよばれる提案手法により,真に報いられた学習によって得られる解と同一のポリシ不変解が得られることを示す。
  論文  参考訳（メタデータ） (2021-02-07T17:56:50Z)

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。