論文の概要: Comparing Feature Engineering and End-to-End Deep Learning for Autism
Spectrum Disorder Assessment based on Fullbody-Tracking
- arxiv url: http://arxiv.org/abs/2311.14533v1
- Date: Fri, 24 Nov 2023 14:56:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-27 14:47:09.822582
- Title: Comparing Feature Engineering and End-to-End Deep Learning for Autism
Spectrum Disorder Assessment based on Fullbody-Tracking
- Title（参考訳）: 完全追跡に基づく自閉症スペクトラム障害評価のための特徴工学とエンドツーエンドディープラーニングの比較
- Authors: Alberto Altozano, Maria Eleonora Minissi, Mariano Alca\~niz, Javier
Mar\'in-Morales
- Abstract要約: 我々は、複数のモータータスクと両方の分類手法を用いて訓練されたモデルを備えたバーチャルリアリティ環境を開発する。
比較分析の結果、手作りの機能は、特定のタスクにおけるディープラーニングアプローチよりも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）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autism Spectrum Disorder (ASD) is characterized by challenges in social
communication and restricted patterns, with motor abnormalities gaining
traction for early detection. However, kinematic analysis in ASD is limited,
often lacking robust validation and relying on hand-crafted features for single
tasks, leading to inconsistencies across studies. Thus, end-to-end models have
become promising methods to overcome the need for feature engineering. Our aim
is to assess both approaches across various kinematic tasks to measure the
efficacy of commonly used features in ASD assessment, while comparing them to
end-to-end models. Specifically, we developed a virtual reality environment
with multiple motor tasks and trained models using both classification
approaches. We prioritized a reliable validation framework with repeated
cross-validation. Our comparative analysis revealed that hand-crafted features
outperformed our deep learning approach in specific tasks, achieving a
state-of-the-art area under the curve (AUC) of 0.90$\pm$0.06. Conversely,
end-to-end models provided more consistent results with less variability across
all VR tasks, demonstrating domain generalization and reliability, with a
maximum task AUC of 0.89$\pm$0.06. These findings show that end-to-end models
enable less variable and context-independent ASD assessments without requiring
domain knowledge or task specificity. However, they also recognize the
effectiveness of hand-crafted features in specific task scenarios.
- Abstract（参考訳）: 自閉症スペクトラム障害(ASD)は、社会的コミュニケーションと制限されたパターンの課題が特徴であり、早期発見のために運動異常が牽引されている。
しかし、asdのキネマティック解析は限定的であり、しばしば堅牢な検証を欠き、単一のタスクのために手作りの機能に依存する。
したがって、エンドツーエンドのモデルは機能工学の必要性を克服するための有望な方法になっている。
本研究の目的は,多種多様なキネマティックなタスクにまたがる両方のアプローチを評価し,ASDアセスメントにおける一般的な特徴の有効性を,エンド・ツー・エンド・モデルと比較することである。
具体的には、複数のモータータスクと両方の分類手法を用いたトレーニングモデルを備えたバーチャルリアリティ環境を開発した。
相互検証を繰り返し行う信頼性の高い検証フレームワークを優先しました。
比較分析の結果、手作りの機能は特定のタスクにおけるディープラーニングのアプローチよりも優れており、曲線(AUC)が0.90$\pm$0.06の最先端領域を達成できた。
逆に、エンド・ツー・エンドのモデルでは、すべてのVRタスクのばらつきが少なく、ドメインの一般化と信頼性を示し、最大タスク AUC は 0.89$\pm$0.06 である。
これらの結果から,エンド・ツー・エンドのモデルでは,ドメイン知識やタスク特異性を必要とせず,変数やコンテキストに依存しないSDアセスメントがより少ないことが示唆された。
しかし、特定のタスクシナリオにおける手作り機能の有効性も認識している。
関連論文リスト
- Decoupled and Interactive Regression Modeling for High-performance One-stage 3D Object Detection [8.531052087985097]
回帰タスクにおけるバウンディングボックスモデリングの不十分さは、1段階の3Dオブジェクト検出の性能を制約する。
一段階検出のための疎結合・インタラクティブ回帰モデリング(DIRM)を提案する。
論文 参考訳（メタデータ） (2024-09-01T10:47:22Z) - REFRESH: Responsible and Efficient Feature Reselection Guided by SHAP Values [17.489279048199304]
REFRESHは、いくつかの新しいモデルをトレーニングすることなく、モデルパフォーマンスに望ましい追加の制約を達成できるように、機能を再選択する手法である。
REFRESHの基盤となるアルゴリズムは、SHAP値と相関解析を用いて、モデルをトレーニングすることなくモデルの予測を近似できる新しい手法である。
論文 参考訳（メタデータ） (2024-03-13T18:06:43Z) - Three-Stage Adjusted Regression Forecasting (TSARF) for Software Defect
Prediction [5.826476252191368]
非均一ポアソン過程 (NHPP) SRGM が最も一般的に用いられるモデルである。
モデル複雑性の増大は、堅牢で計算効率のよいアルゴリズムを識別する上での課題である。
論文 参考訳（メタデータ） (2024-01-31T02:19:35Z) - Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。
本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
論文 参考訳（メタデータ） (2024-01-06T07:30:41Z) - Towards Calibrated Robust Fine-Tuning of Vision-Language Models [97.19901765814431]
本研究は、視覚言語モデルにおいて、OOD精度と信頼性校正の両方を同時に改善する頑健な微調整法を提案する。
OOD分類とOOD校正誤差は2つのIDデータからなる共有上限を持つことを示す。
この知見に基づいて,最小の特異値を持つ制約付きマルチモーダルコントラスト損失を用いて微調整を行う新しいフレームワークを設計する。
論文 参考訳（メタデータ） (2023-11-03T05:41:25Z) - Are Sample-Efficient NLP Models More Robust? [90.54786862811183]
サンプル効率(所定のID精度に到達するために必要なデータ量)とロバスト性(OOD評価モデルの評価方法)の関係について検討する。
高いサンプル効率は、いくつかのモデリング介入やタスクにおいて、より平均的なOODロバスト性にのみ相関するが、それ以外は相関しない。
これらの結果から,サンプル効率向上のための汎用手法は,データセットとタスクに依存した汎用的なOODロバスト性向上をもたらす可能性が示唆された。
論文 参考訳（メタデータ） (2022-10-12T17:54:59Z) - Distribution-Aware Single-Stage Models for Multi-Person 3D Pose
Estimation [29.430404703883084]
本稿では,多人数の3Dポーズ推定問題に対処する新しいDASモデルを提案する。
提案するDASモデルでは,3次元カメラ空間における人物位置と人体関節をワンパスで同時に位置決めする。
CMU Panoptic と MuPoTS-3D のベンチマークに関する総合的な実験は、提案したDASモデルの優れた効率を実証している。
論文 参考訳（メタデータ） (2022-03-15T07:30:27Z) - Sparse MoEs meet Efficient Ensembles [49.313497379189315]
このようなモデルの2つの一般的なクラス、すなわちニューラルネットワークのアンサンブルと専門家のスパースミックス(スパースMoE)の相互作用について研究する。
Efficient Ensemble of Experts (E$3$)は、両モデルのクラスを最大限に活用するスケーラブルでシンプルなMoEのアンサンブルであり、深いアンサンブルよりも最大45%少ないFLOPを使用する。
論文 参考訳（メタデータ） (2021-10-07T11:58:35Z) - When Liebig's Barrel Meets Facial Landmark Detection: A Practical Model [87.25037167380522]
正確で、堅牢で、効率的で、一般化可能で、エンドツーエンドのトレーニングが可能なモデルを提案する。
精度を向上させるために,2つの軽量モジュールを提案する。
DQInitは、インプットからデコーダのクエリを動的に初期化し、複数のデコーダ層を持つものと同じ精度でモデルを実現する。
QAMemは、共有するクエリではなく、それぞれのクエリに別々のメモリ値を割り当てることで、低解像度のフィーチャーマップ上のクエリの識別能力を高めるように設計されている。
論文 参考訳（メタデータ） (2021-05-27T13:51:42Z) - Balancing Accuracy and Latency in Multipath Neural Networks [0.09668407688201358]
我々は,一発のニューラルネットワーク探索モデルを用いて,難解な数のニューラルネットワークの性能を暗黙的に評価する。
本手法は,待ち時間が異なるモデル間の相対性能を正確にモデル化し,異なるデータセットをまたいだ精度で未検出モデルの性能を予測できることを示す。
論文 参考訳（メタデータ） (2021-04-25T00:05:48Z) - Firearm Detection via Convolutional Neural Networks: Comparing a
Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。
これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。
従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
論文 参考訳（メタデータ） (2020-12-17T15:19:29Z)
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。