論文の概要: Improving Generalization of Drowsiness State Classification by Domain-Specific Normalization

• arxiv url: http://arxiv.org/abs/2312.09461v1
• Date: Wed, 15 Nov 2023 02:49:48 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-15 14:12:24.779810
• Title: Improving Generalization of Drowsiness State Classification by Domain-Specific Normalization
• Title（参考訳）: ドメイン固有正規化による眠気状態分類の一般化
• Authors: Dong-Young Kim, Dong-Kyun Han, Seo-Hyeon Park, Geun-Deok Jang, and Seong-Whan Lee
• Abstract要約: 異常運転状態は、特に道路安全に対する主要な懸念であり、事故を防ぐための正確な眠気検知の重要性を強調している。 脳波(EEG)信号は、脳活動を監視して運転者の精神状態をモニタリングする効果が認められている。 課題は、個人および内部における脳波信号の変動による事前校正の必要性にある。 本稿では,アクセシビリティと利便性を向上させるために,運転者の眠気状態を分類するための実践的な枠組みを提案する。
• 参考スコア（独自算出の注目度）: 23.972427172296207
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Abnormal driver states, particularly have been major concerns for road safety, emphasizing the importance of accurate drowsiness detection to prevent accidents. Electroencephalogram (EEG) signals are recognized for their effectiveness in monitoring a driver's mental state by monitoring brain activities. However, the challenge lies in the requirement for prior calibration due to the variation of EEG signals among and within individuals. The necessity of calibration has made the brain-computer interface (BCI) less accessible. We propose a practical generalized framework for classifying driver drowsiness states to improve accessibility and convenience. We separate the normalization process for each driver, treating them as individual domains. The goal of developing a general model is similar to that of domain generalization. The framework considers the statistics of each domain separately since they vary among domains. We experimented with various normalization methods to enhance the ability to generalize across subjects, i.e. the model's generalization performance of unseen domains. The experiments showed that applying individual domain-specific normalization yielded an outstanding improvement in generalizability. Furthermore, our framework demonstrates the potential and accessibility by removing the need for calibration in BCI applications.
• Abstract（参考訳）: 異常運転状態は、特に道路安全に対する主要な懸念であり、事故を防ぐための正確な眠気検知の重要性を強調している。 脳波(EEG)信号は、脳活動を監視して運転者の精神状態をモニタリングする効果が認められている。 しかし、この課題は個人間の脳波信号の変動による事前校正の必要性にある。 校正の必要性により、脳-コンピュータインタフェース(BCI)はアクセスしにくくなった。 本稿では,アクセシビリティと利便性を向上させるために,ドライバの眠気状態を分類するための実用的な一般化フレームワークを提案する。 ドライバごとに正規化プロセスを分離し、個々のドメインとして扱う。 一般モデルを開発するという目標は、ドメインの一般化と似ている。 フレームワークはドメインごとに異なるため、各ドメインの統計を別々に検討する。 我々は,対象物間の一般化能力を高めるために,様々な正規化手法を実験した。 実験により、個々の領域固有の正規化を適用することで、一般化可能性の顕著な改善が得られた。 さらに,bciアプリケーションにおけるキャリブレーションの必要性をなくし,その可能性とアクセシビリティを実証する。

関連論文リスト

• Calibration-Free Driver Drowsiness Classification based on Manifold-Level Augmentation [2.6248092118543567]
  脳波(EEG)によるドライバーの眠気レベルのモニタリングは、道路事故を防ぐ可能性がある。 脳波信号は被験者によって異なるため、事前に校正が必要である。 本稿では, 多様体レベル拡張を用いた運転者の眠気状態分類のためのキャリブレーションフリーフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-14T08:51:12Z)
• When Neural Networks Fail to Generalize? A Model Sensitivity Perspective [82.36758565781153]
  ドメイン一般化 (Domain Generalization, DG) は、異なる分布の下で見えないドメインでうまく機能するようにモデルを訓練することを目的としている。 本稿では,より現実的で,より困難なシナリオである単一領域一般化(Single-DG)について考察する。 我々は「モデル感度」と命名する一般化と強く相関するモデルの性質を経験的に確認する。 本稿では、高感度の周波数をターゲットとした拡張画像を生成するために、スペクトル逆データ拡張(SADA)の新たな戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-01T20:15:15Z)
• Unsupervised Domain Generalization for Person Re-identification: A Domain-specific Adaptive Framework [50.88463458896428]
  ドメイン一般化(DG)は近年,人物再同定(ReID)において注目されている。 既存のメソッドは通常、ソースドメインにラベルを付ける必要があります。 本稿では、単純で効率的なドメイン固有適応化フレームワークを提案し、適応正規化モジュールで実現する。
  論文  参考訳（メタデータ） (2021-11-30T02:35:51Z)
• Calibrated Feature Decomposition for Generalizable Person Re-Identification [82.64133819313186]
  Calibrated Feature Decomposition (CFD)モジュールは、人物の再識別の一般化能力の向上に焦点を当てている。 キャリブレーション・アンド・スタンダード化されたバッチ正規化(CSBN)は、キャリブレーションされた人物表現を学習するために設計されている。
  論文  参考訳（メタデータ） (2021-11-27T17:12:43Z)
• Towards Principled Disentanglement for Domain Generalization [90.9891372499545]
  機械学習モデルの根本的な課題は、アウト・オブ・ディストリビューション(OOD)データへの一般化である。 私たちはまず、DEC(Disentanglement-Constrained Domain Generalization)と呼ばれる制約付き最適化としてOOD一般化問題を定式化する。 この変換に基づいて、結合表現の不絡合と領域一般化のための原始双対アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-11-27T07:36:32Z)
• Adaptive Normalized Representation Learning for Generalizable Face Anti-Spoofing [45.37463812739095]
  ドメイン一般化(DG)に基づく対面反偽造(FAS)は、その堅牢性から注目されている。 本稿では,特徴抽出プロセスにおける正規化選択に着目した顔アンチスプーフィングの新たな視点を提案する。
  論文  参考訳（メタデータ） (2021-08-05T15:04:33Z)
• Adversarially Adaptive Normalization for Single Domain Generalization [71.80587939738672]
  一般化正規化アプローチ,適応標準化と再スケーリング正規化(ASR-Norm)を提案する。 ASR-Normは、ニューラルネットワークを介して標準化と再スケーリングの統計学を学ぶ。 ASR-Normは最先端のADAアプローチに一貫した改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2021-06-01T23:58:23Z)
• Adaptive Risk Minimization: Learning to Adapt to Domain Shift [109.87561509436016]
  ほとんどの機械学習アルゴリズムの基本的な前提は、トレーニングとテストデータは、同じ基礎となる分布から引き出されることである。 本研究では,学習データをドメインに構造化し,複数のテスト時間シフトが存在する場合の領域一般化の問題点について考察する。 本稿では、適応リスク最小化(ARM)の枠組みを紹介し、モデルがトレーニング領域に適応することを学ぶことで、効果的な適応のために直接最適化される。
  論文  参考訳（メタデータ） (2020-07-06T17:59:30Z)

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。