論文の概要: Towards Open-World Gesture Recognition
- arxiv url: http://arxiv.org/abs/2401.11144v1
- Date: Sat, 20 Jan 2024 06:45:16 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-23 17:41:14.625931
- Title: Towards Open-World Gesture Recognition
- Title(参考訳): オープンワールドジェスチャ認識に向けて
- Authors: Junxiao Shen, Matthias De Lange, Xuhai "Orson" Xu, Enmin Zhou, Ran
Tan, Naveen Suda, Maciej Lazarewicz, Per Ola Kristensson, Amy Karlson, Evan
Strasnick
- Abstract要約: オープンワールドジェスチャ認識(OWGR)として新しいデータパターンが出現する新しいタスクに認識モデルを適用するという問題を定式化する。
本稿では,様々なパラメータを持つ大規模データセットのオフライン解析を可能にする設計工学的手法を提案する。
オープンワールド手首のジェスチャー認識プロセスの開発を促進するための設計ガイドラインが提供される。
- 参考スコア(独自算出の注目度): 19.65242189269589
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Static machine learning methods in gesture recognition assume that training
and test data come from the same underlying distribution. However, in
real-world applications involving gesture recognition on wrist-worn devices,
data distribution may change over time. We formulate this problem of adapting
recognition models to new tasks, where new data patterns emerge, as open-world
gesture recognition (OWGR). We propose leveraging continual learning to make
machine learning models adaptive to new tasks without degrading performance on
previously learned tasks. However, the exploration of parameters for questions
around when and how to train and deploy recognition models requires
time-consuming user studies and is sometimes impractical. To address this
challenge, we propose a design engineering approach that enables offline
analysis on a collected large-scale dataset with various parameters and
compares different continual learning methods. Finally, design guidelines are
provided to enhance the development of an open-world wrist-worn gesture
recognition process.
- Abstract(参考訳): ジェスチャー認識における静的機械学習手法は、トレーニングとテストデータが同じ基礎となる分布から来ていると仮定する。
しかし、手首のデバイス上でのジェスチャー認識を含む現実世界のアプリケーションでは、データ分布は時間とともに変化する可能性がある。
我々は,オープンワールドジェスチャ認識(owgr)として,新たなデータパターンが出現する新しいタスクに認識モデルを適用する問題を定式化する。
従来学習したタスクのパフォーマンスを低下させることなく,新しいタスクに適応する機械学習モデルを構築するために,連続学習を活用することを提案する。
しかしながら、認識モデルのトレーニングとデプロイの方法に関する疑問に対するパラメータの探索には、時間を要するユーザ研究が必要であり、時には実用的でない場合もある。
この課題に対処するために,収集した大規模データセットのオフライン解析をさまざまなパラメータで実現し,異なる連続学習手法を比較する設計工学的手法を提案する。
最後に、オープンワールド手首のジェスチャー認識プロセスの開発を促進するための設計ガイドラインを提供する。
関連論文リスト
- Learn to Unlearn for Deep Neural Networks: Minimizing Unlearning
Interference with Gradient Projection [56.292071534857946]
最近のデータプライバシ法は、機械学習への関心を喚起している。
課題は、残りのデータセットに関する知識を変更することなく、忘れたデータに関する情報を捨てることである。
我々は、プロジェクテッド・グラディエント・アンラーニング(PGU)という、プロジェクテッド・グラディエント・ベースの学習手法を採用する。
トレーニングデータセットがもはやアクセスできない場合でも、スクラッチからスクラッチで再トレーニングされたモデルと同じような振る舞いをするモデルを、我々のアンラーニング手法が生成できることを実証するための実証的な証拠を提供する。
論文 参考訳(メタデータ) (2023-12-07T07:17:24Z) - PILOT: A Pre-Trained Model-Based Continual Learning Toolbox [71.63186089279218]
本稿では,PILOTとして知られるモデルベース連続学習ツールボックスについて紹介する。
一方、PILOTはL2P、DualPrompt、CODA-Promptといった事前学習モデルに基づいて、最先端のクラスインクリメンタル学習アルゴリズムを実装している。
一方、PILOTは、事前学習されたモデルの文脈に典型的なクラス増分学習アルゴリズムを適合させ、それらの効果を評価する。
論文 参考訳(メタデータ) (2023-09-13T17:55:11Z) - Reinforcement Learning Based Multi-modal Feature Fusion Network for
Novel Class Discovery [47.28191501836041]
本稿では,人間の認知過程をシミュレートするために強化学習フレームワークを用いる。
また,マルチモーダル情報から特徴を抽出・融合するマルチエージェントフレームワークをデプロイした。
我々は、OS-MN40、OS-MN40-Miss、Cifar10データセットを用いて、3Dドメインと2Dドメインの両方でのアプローチの性能を示す。
論文 参考訳(メタデータ) (2023-08-26T07:55:32Z) - Continuous Learning Based Novelty Aware Emotion Recognition System [0.0]
人間の感情認識における現在の研究は、新奇性を考慮せずに厳格な規則によって統治される伝統的な閉学習アプローチに従っている。
本研究では,自動感情認識タスクにおける新規性に対処する継続的学習に基づくアプローチを提案する。
論文 参考訳(メタデータ) (2023-06-14T20:34:07Z) - Generalization Properties of Retrieval-based Models [50.35325326050263]
検索ベースの機械学習手法は、幅広い問題で成功をおさめた。
これらのモデルの約束を示す文献が増えているにもかかわらず、そのようなモデルの理論的基盤はいまだに解明されていない。
本稿では,その一般化能力を特徴付けるために,検索ベースモデルの形式的処理を行う。
論文 参考訳(メタデータ) (2022-10-06T00:33:01Z) - Continual Learning from Demonstration of Robotics Skills [5.573543601558405]
ロボットに動きのスキルを教える方法は、一度に1つのスキルのトレーニングに集中する。
本稿では,ハイパーネットとニューラル常微分方程式解法を用いた実験から連続学習へのアプローチを提案する。
論文 参考訳(メタデータ) (2022-02-14T16:26:52Z) - What Matters in Learning from Offline Human Demonstrations for Robot
Manipulation [64.43440450794495]
ロボット操作のための6つのオフライン学習アルゴリズムについて広範な研究を行う。
我々の研究は、オフラインの人間のデータから学習する際の最も重要な課題を分析します。
人間のデータセットから学ぶ機会を強調します。
論文 参考訳(メタデータ) (2021-08-06T20:48:30Z) - Knowledge as Invariance -- History and Perspectives of
Knowledge-augmented Machine Learning [69.99522650448213]
機械学習の研究は転換点にある。
研究の関心は、高度にパラメータ化されたモデルのパフォーマンス向上から、非常に具体的なタスクへとシフトしている。
このホワイトペーパーは、機械学習研究におけるこの新興分野の紹介と議論を提供する。
論文 参考訳(メタデータ) (2020-12-21T15:07:19Z) - A case for new neural network smoothness constraints [34.373610792075205]
モデルスムースネスは,一般化,対向的堅牢性,生成的モデリング,強化学習を支援する有用な帰納的バイアスであることを示す。
この分野の新しい進歩は、データ、タスク、学習を滑らかさの定義に組み込む方法を見つけることに集中していると結論づけた。
論文 参考訳(メタデータ) (2020-12-14T22:07:32Z) - A System for Real-Time Interactive Analysis of Deep Learning Training [66.06880335222529]
現在利用可能なシステムは、トレーニングプロセスが始まる前に指定しなければならないログデータのみを監視することに限定されている。
本稿では,リアルタイム情報を生成するライブプロセス上で対話型クエリを実行可能にするシステムを提案する。
論文 参考訳(メタデータ) (2020-01-05T11:33:31Z)
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。