Fugu-MT 論文翻訳(概要): PatchBMI-Net: Lightweight Facial Patch-based Ensemble for BMI Prediction

論文の概要: PatchBMI-Net: Lightweight Facial Patch-based Ensemble for BMI Prediction

arxiv url: http://arxiv.org/abs/2311.18102v1
Date: Wed, 29 Nov 2023 21:39:24 GMT
ステータス: 処理完了
システム内更新日: 2023-12-01 18:38:13.569566
Title: PatchBMI-Net: Lightweight Facial Patch-based Ensemble for BMI Prediction
Title（参考訳）: PatchBMI-Net:BMI予測のための軽量顔パッチベースアンサンブル
Authors: Parshuram N. Aarotale, Twyla Hill, Ajita Rattani
Abstract要約: 健康度モニタリングのための自己診断型顔画像に基づくBMI予測手法を提案する。これらの手法は、主に畳み込みニューラルネットワーク(CNN)ベースの回帰ベースライン(VGG19、ResNet50、Efficient-NetB0)を使用している。本稿では,BMI予測のための軽量な顔パッチベースのアンサンブル(PatchBMI-Net)を開発し,スマートフォンによる展開と重量モニタリングを容易にすることを目的とする。
参考スコア（独自算出の注目度）: 3.9440964696313485
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Due to an alarming trend related to obesity affecting 93.3 million adults in the United States alone, body mass index (BMI) and body weight have drawn significant interest in various health monitoring applications. Consequently, several studies have proposed self-diagnostic facial image-based BMI prediction methods for healthy weight monitoring. These methods have mostly used convolutional neural network (CNN) based regression baselines, such as VGG19, ResNet50, and Efficient-NetB0, for BMI prediction from facial images. However, the high computational requirement of these heavy-weight CNN models limits their deployment to resource-constrained mobile devices, thus deterring weight monitoring using smartphones. This paper aims to develop a lightweight facial patch-based ensemble (PatchBMI-Net) for BMI prediction to facilitate the deployment and weight monitoring using smartphones. Extensive experiments on BMI-annotated facial image datasets suggest that our proposed PatchBMI-Net model can obtain Mean Absolute Error (MAE) in the range [3.58, 6.51] with a size of about 3.3 million parameters. On cross-comparison with heavyweight models, such as ResNet-50 and Xception, trained for BMI prediction from facial images, our proposed PatchBMI-Net obtains equivalent MAE along with the model size reduction of about 5.4x and the average inference time reduction of about 3x when deployed on Apple-14 smartphone. Thus, demonstrating performance efficiency as well as low latency for on-device deployment and weight monitoring using smartphone applications.
Abstract（参考訳）: 米国だけで9330万人の成人に影響を及ぼす肥満に関する不安な傾向のため、BMI(Body Mass Index)と体重計は様々な健康モニタリングアプリケーションに多大な関心を寄せている。その結果、健康な体重モニタリングのための自己診断型顔画像に基づくBMI予測法が提案されている。これらの手法は主に、顔画像からのBMI予測に、VGG19、ResNet50、Efficient-NetB0などの畳み込みニューラルネットワーク(CNN)ベースの回帰ベースラインを使用している。しかし、これらの重み付きCNNモデルの高い計算要求は、リソース制限されたモバイルデバイスへの展開を制限するため、スマートフォンによる重み監視の妨げとなる。本稿では,BMI予測のための軽量な顔パッチベースのアンサンブル(PatchBMI-Net)を開発し,スマートフォンによる展開と重量モニタリングを容易にすることを目的とする。 BMIアノテートされた顔画像データセットの大規模な実験により、提案したPatchBMI-Netモデルでは、[3.58, 6.51]の範囲で平均絶対誤差(MAE)が得られることが示唆された。顔画像からBMI予測をトレーニングしたResNet-50やXceptionなどの重み付きモデルとの相互比較において,提案するPatchBMI-Netでは,モデルサイズが約5.4倍,平均推論時間が約3倍のMAEが得られた。したがって、スマートフォンアプリケーションを使用したオンデバイスデプロイメントと重み監視において、パフォーマンス効率と低レイテンシを示すことができる。

関連論文リスト

BMI Prediction from Handwritten English Characters Using a Convolutional Neural Network [0.0]
これまでの研究では、筆跡解析のためのディープラーニング技術とBMI予測との間に明確な関連性は確立されなかった。本稿では、畳み込みニューラルネットワーク(CNN)を開発し、手書き文字からBMIを推定するディープラーニングアプローチを用いて、この研究ギャップに対処する。 BMI予測タスクのために、小文字の英語スクリプトの48人のサンプルを含むデータセットを正常にキャプチャする。
論文参考訳（メタデータ） (2024-09-04T10:06:42Z)
GIFT-SW: Gaussian noise Injected Fine-Tuning of Salient Weights for LLMs [51.02233412547456]
我々は,Gaussian noise Injected Fine Tuning of Salient Weights (GIFT-SW)と呼ばれる新しいPEFT法を提案する。本手法では, ガウス雑音を非正弦波に注入しながら, 正弦波列のみを更新する。 LLaMAモデルによる実験により、GIFT-SWは、同じ計算予算の下で、完全な微調整および現代的なPEFTメソッドよりも優れていることが示された。
論文参考訳（メタデータ） (2024-08-27T14:41:14Z)
Advancing Smart Malnutrition Monitoring: A Multi-Modal Learning Approach for Vital Health Parameter Estimation [0.0]
本研究は, 画期的な, スケーラブルで, 堅牢な栄養失調モニタリングシステムを提案する。身長、体重、その他の重要な健康パラメータを推定するために、個人の1つのフルボディ画像を使用する。本モデルでは, 平均絶対誤差 (MAE) が4.7cm, 5.3kg, 平均誤差 (MAE) は5.3kgと推定される。
論文参考訳（メタデータ） (2023-07-31T15:08:02Z)
Body Fat Estimation from Surface Meshes using Graph Neural Networks [48.85291874087541]
三角体表面メッシュを用いて,グラフニューラルネットワークを用いて,VATおよびASATボリュームを正確に予測できることを示す。本手法は,この領域の最先端畳み込みニューラルネットワークと比較して,トレーニング時間と必要なリソースを削減しつつ高い性能を実現する。
論文参考訳（メタデータ） (2023-07-13T10:21:34Z)
ALiSNet: Accurate and Lightweight Human Segmentation Network for Fashion E-Commerce [57.876602177247534]
スマートフォンは、ユーザーが自分の身体の画像をキャプチャする便利な手段を提供する。我々は、PointRendでSemantic FPNを単純化することで、新しいセグメンテーションモデルを作成する。我々は、このモデルを、私たちのアプリケーションに関連するポーズの制限されたセットで、高品質な人間のデータセットに微調整する。
論文参考訳（メタデータ） (2023-04-15T11:06:32Z)
Back to MLP: A Simple Baseline for Human Motion Prediction [59.18776744541904]
本稿では、歴史的に観察されたシーケンスから将来の身体のポーズを予測することによる、人間の動作予測の課題に取り組む。これらの手法の性能は、0.14Mパラメータしか持たない軽量で純粋にアーキテクチャアーキテクチャによって超えることができることを示す。 Human3.6M, AMASS, 3DPWデータセットの徹底的な評価は, siMLPeをダブした我々の手法が, 他のアプローチよりも一貫して優れていることを示している。
論文参考訳（メタデータ） (2022-07-04T16:35:58Z)
Dynamic Ensemble Bayesian Filter for Robust Control of a Human Brain-machine Interface [9.127608168119975]
脳機械インタフェース(BMI)は、人工装具やコンピュータカーソルなどのデバイスを直接脳に制御することを目的としている。現在のBMIの1つの大きな制限は、ニューラルネットワークの可変性によるオンライン制御の不安定なパフォーマンスである。オンラインBMI制御におけるニューラル変動に対処する動的アンサンブルベイズフィルタ(DyEnsemble)を提案する。
論文参考訳（メタデータ） (2022-04-22T04:30:24Z)
Estimation of BMI from Facial Images using Semantic Segmentation based Region-Aware Pooling [3.889462292853575]
Body-Mass-Index (BMI)は、健康や社会経済的状況などの生活に関する重要な情報を伝達する。近年の研究では、手作業による幾何学的顔の特徴やBMI予測のための顔レベルの深い畳み込みニューラルネットワークの特徴が採用されている。異なる顔領域からプールされた深い特徴を利用することを提案する。
論文参考訳（メタデータ） (2021-04-10T10:53:21Z)
AI-based BMI Inference from Facial Images: An Application to Weight Monitoring [3.4601380631551146]
顔画像からのBMI推論のための5種類のCNNアーキテクチャの性能評価と比較を行った。実験結果から,ResNet50を用いて得られた平均絶対誤差(MAE)が1.04ドルである顔画像からのBMI推論における深層学習の有効性が示唆された。
論文参考訳（メタデータ） (2020-10-15T00:00:40Z)
Neural networks with late-phase weights [66.72777753269658]
学習後期に重みのサブセットを組み込むことで,SGDの解をさらに改善できることを示す。学習の終わりに、重み空間における空間平均を取ることにより、1つのモデルを取得する。
論文参考訳（メタデータ） (2020-07-25T13:23:37Z)
A Privacy-Preserving-Oriented DNN Pruning and Mobile Acceleration Framework [56.57225686288006]
モバイルエッジデバイスの限られたストレージとコンピューティング能力を満たすために、ディープニューラルネットワーク(DNN)の軽量プルーニングが提案されている。従来のプルーニング手法は主に、ユーザデータのプライバシを考慮せずに、モデルのサイズを減らしたり、パフォーマンスを向上させることに重点を置いていた。プライベートトレーニングデータセットを必要としないプライバシ保護指向のプルーニングおよびモバイルアクセラレーションフレームワークを提案する。
論文参考訳（メタデータ） (2020-03-13T23:52:03Z)

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。