論文の概要: A Weight-aware-based Multi-source Unsupervised Domain Adaptation Method for Human Motion Intention Recognition

• arxiv url: http://arxiv.org/abs/2404.15366v1
• Date: Fri, 19 Apr 2024 03:49:54 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-25 15:44:33.632222
• Title: A Weight-aware-based Multi-source Unsupervised Domain Adaptation Method for Human Motion Intention Recognition
• Title（参考訳）: 重み対応型マルチソース非教師付きドメイン適応法による人間の動作意図認識
• Authors: Xiao-Yin Liu, Guotao Li, Xiao-Hu Zhou, Xu Liang, Zeng-Guang Hou,
• Abstract要約: 非教師なしドメイン適応(UDA)メソッドは、この問題に対して効果的な方法となっている。 ラベル付きデータは、対象の被写体だけでなく、互いに異なるかもしれない複数のソースの被写体から収集される。 本稿では,HMI を識別する UDA の新たな理論とアルゴリズムを開発し,MDD をマルチソース UDA 理論に拡張する。 開発したマルチソースUDA理論は理論的であり,対象対象に対する一般化誤差が保証される。
• 参考スコア（独自算出の注目度）: 11.78805948637625
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate recognition of human motion intention (HMI) is beneficial for exoskeleton robots to improve the wearing comfort level and achieve natural human-robot interaction. A classifier trained on labeled source subjects (domains) performs poorly on unlabeled target subject since the difference in individual motor characteristics. The unsupervised domain adaptation (UDA) method has become an effective way to this problem. However, the labeled data are collected from multiple source subjects that might be different not only from the target subject but also from each other. The current UDA methods for HMI recognition ignore the difference between each source subject, which reduces the classification accuracy. Therefore, this paper considers the differences between source subjects and develops a novel theory and algorithm for UDA to recognize HMI, where the margin disparity discrepancy (MDD) is extended to multi-source UDA theory and a novel weight-aware-based multi-source UDA algorithm (WMDD) is proposed. The source domain weight, which can be adjusted adaptively by the MDD between each source subject and target subject, is incorporated into UDA to measure the differences between source subjects. The developed multi-source UDA theory is theoretical and the generalization error on target subject is guaranteed. The theory can be transformed into an optimization problem for UDA, successfully bridging the gap between theory and algorithm. Moreover, a lightweight network is employed to guarantee the real-time of classification and the adversarial learning between feature generator and ensemble classifiers is utilized to further improve the generalization ability. The extensive experiments verify theoretical analysis and show that WMDD outperforms previous UDA methods on HMI recognition tasks.
• Abstract（参考訳）: 人間の動作意図(HMI)の正確な認識は、外骨格ロボットにとって、着用の快適度を改善し、自然な人間とロボットの相互作用を実現するのに有用である。 ラベル付きソース対象(ドメイン)で訓練された分類器は、個別の運動特性の違いから、ラベルなし対象に対して不十分に動作する。 非教師なし領域適応(UDA)法はこの問題に有効な方法となっている。 しかし、ラベル付きデータは、対象と異なるだけでなく、互いに異なるかもしれない複数の音源から収集される。 HMI認識のための現在のUDA法は、各音源間の差を無視し、分類精度を低下させる。 そこで本研究では,HMI の認識のための新たな理論とアルゴリズムを開発し,HMI を多元的 UDA 理論に拡張し,新しい重み対応型マルチソース UDA アルゴリズム (WMDD) を提案する。 ソース領域重みは、ソース対象とターゲット対象のMDDによって適応的に調整可能であり、ソース対象の差を測定するためにUDAに組み込まれる。 開発したマルチソースUDA理論は理論的であり,対象対象に対する一般化誤差が保証される。 この理論は、UDAの最適化問題に変換され、理論とアルゴリズムのギャップを埋めることに成功した。 さらに、分類のリアルタイムを保証するために軽量ネットワークを使用し、特徴生成器とアンサンブル分類器の対角学習を利用して一般化能力をさらに向上する。 実験により,WMDD が従来の UDA 手法よりもHMI 認識タスクに優れていたことが確認された。

関連論文リスト

• Unveiling the Superior Paradigm: A Comparative Study of Source-Free Domain Adaptation and Unsupervised Domain Adaptation [52.36436121884317]
  Source-Free Domain Adaptation (SFDA) は、現実のシナリオにおいて、Unsupervised Domain Adaptation (UDA) よりも一般的に優れていることを示す。 SFDAは、時間効率、ストレージ要件、対象とする学習目標、負の移動リスクの低減、過度な適合に対する堅牢性の向上といった利点を提供している。 利用可能なソースデータをマルチSFDA手法に効果的に統合する新しい重み推定法を提案する。
  論文  参考訳（メタデータ） (2024-11-24T13:49:29Z)
• Adversarial Reweighting with $α$-Power Maximization for Domain Adaptation [56.859005008344276]
  我々は、$alpha$-Power Maximization (ARPM) を用いたAdversarial Reweightingと呼ばれる新しいアプローチを提案する。 本稿では,ソースプライマリなクラスサンプルを特定するために,逆向きにソースドメインデータを再重み付けすることを学習する,新しい逆方向再重み付けモデルを提案する。 提案手法は最近のPDA法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-04-26T09:29:55Z)
• Subject-Based Domain Adaptation for Facial Expression Recognition [51.10374151948157]
  ディープラーニングモデルを特定の対象個人に適用することは、難しい表情認識タスクである。 本稿では、FERにおける主観的ドメイン適応のための新しいMSDA手法を提案する。 複数の情報源からの情報を効率的に利用して、ディープFERモデルを単一のターゲット個人に適応させる。
  論文  参考訳（メタデータ） (2023-12-09T18:40:37Z)
• Multi-source domain adaptation for regression [2.8648412780872845]
  マルチソースドメイン適応(DA)は、複数のソースドメインからの情報を活用して、ターゲットドメインで予測することを目的としている。 我々は、結果の粗大化による分類のための柔軟な単一ソースDAアルゴリズムを拡張し、回帰問題への適用を可能にする。 次に、アンサンブル学習による回帰のための単一ソースDAアルゴリズムを拡張し、マルチソースDAを実現する。
  論文  参考訳（メタデータ） (2023-12-09T04:09:37Z)
• Source-Free Domain Adaptation for Medical Image Segmentation via Prototype-Anchored Feature Alignment and Contrastive Learning [57.43322536718131]
  医用画像セグメンテーションのための2段階のソースフリードメイン適応(SFDA)フレームワークを提案する。 プロトタイプアンコールされた特徴アライメントの段階では,まず,事前学習した画素ワイド分類器の重みを原プロトタイプとして利用する。 そこで,本研究では,目標となる特徴とクラスプロトタイプとの整合性を期待するコストを最小化し,双方向輸送を導入する。
  論文  参考訳（メタデータ） (2023-07-19T06:07:12Z)
• Source-free Domain Adaptation Requires Penalized Diversity [60.04618512479438]
  ソースデータがない場合、異なるドメイン間の知識伝達に対処するために、ソースフリードメイン適応(SFDA)が導入された。 教師なしのFDAでは、多様性はソース上の1つの仮説を学習するか、共有された特徴抽出器で複数の仮説を学習することに限定される。 本稿では,異なる特徴抽出器を用いて表現多様性を促進する新しい無教師付きSFDAアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-06T00:20:19Z)
• Algorithm-Dependent Bounds for Representation Learning of Multi-Source Domain Adaptation [7.6249291891777915]
  我々は情報理論ツールを用いて、表現学習の観点からMDA(Multi-source Domain Adaptation)の新たな分析を導出する。 本稿では,結合アライメントによる目標シフトに暗黙的に対処する,新しい深度MDAアルゴリズムを提案する。 提案アルゴリズムは、目標シフトしたMDAベンチマークの最先端性能に匹敵し、メモリ効率が向上した。
  論文  参考訳（メタデータ） (2023-04-04T18:32:20Z)
• IM-IAD: Industrial Image Anomaly Detection Benchmark in Manufacturing [88.35145788575348]
  画像異常検出(英: Image Anomaly Detection、IAD)は、産業用コンピュータビジョンの課題である。 統一IMベンチマークの欠如は、現実世界のアプリケーションにおけるIADメソッドの開発と利用を妨げる。 7つの主要なデータセットに19のアルゴリズムを含む包括的画像異常検出ベンチマーク(IM-IAD)を構築した。
  論文  参考訳（メタデータ） (2023-01-31T01:24:45Z)
• IT-RUDA: Information Theory Assisted Robust Unsupervised Domain Adaptation [7.225445443960775]
  トレイン(ソース)とテスト(ターゲット)データセット間の分散シフトは、マシンラーニングアプリケーションで発生する一般的な問題である。 UDA技術はラベル豊富なソースドメインからラベルのないターゲットドメインへの知識伝達を行う。 ソースまたはターゲットデータセットのいずれかに存在するアウトリーチは、実際にUDAを使用する場合、さらなる課題をもたらす可能性がある。
  論文  参考訳（メタデータ） (2022-10-24T04:33:52Z)
• Multi-Source Unsupervised Domain Adaptation via Pseudo Target Domain [0.0]
  マルチソースドメイン適応(MDA)は、複数のソースドメインからラベルのないターゲットドメインに知識を転送することを目的としている。 我々はPseudo Target for MDA(PTMDA)と呼ばれる新しいMDAアプローチを提案する。 PTMDAは、ソースドメインとターゲットドメインの各グループを、メトリック制約付き逆学習を用いて、グループ固有のサブ空間にマッピングする。 PTMDAは全体として、目標誤差を低減し、MDA設定における目標リスクのより優れた近似を導出できることを示す。
  論文  参考訳（メタデータ） (2022-02-22T08:37:16Z)
• Knothe-Rosenblatt transport for Unsupervised Domain Adaptation [8.945289838882857]
  教師なしドメイン適応(UDA)は、対象ドメインの共通タスクに取り組むために、関連するが異なるデータソースを活用することを目的としている。 我々はKnothe-Rosenblattトランスポートに基づくKnothe-Rosenblatt Domain Adaptation (KRDA)を提案する。 我々は,KRDAが,合成UDA問題と実世界のUDA問題の両方において最先端の性能を有することを示す。
  論文  参考訳（メタデータ） (2021-10-06T13:04:28Z)

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。