Fugu-MT 論文翻訳(概要): SuDA: Support-based Domain Adaptation for Sim2Real Motion Capture with Flexible Sensors

論文の概要: SuDA: Support-based Domain Adaptation for Sim2Real Motion Capture with Flexible Sensors

arxiv url: http://arxiv.org/abs/2405.16152v1
Date: Sat, 25 May 2024 09:43:33 GMT
ステータス: 処理完了
システム内更新日: 2024-05-29 00:40:50.354933
Title: SuDA: Support-based Domain Adaptation for Sim2Real Motion Capture with Flexible Sensors
Title（参考訳）: SuDA:フレキシブルセンサを用いたSim2Realモーションキャプチャのためのサポートベースドメイン適応
Authors: Jiawei Fang, Haishan Song, Chengxu Zuo, Xiaoxia Gao, Xiaowei Chen, Shihui Guo, Yipeng Qin,
Abstract要約: 既存の柔軟なセンサーベースのMoCapメソッドはディープラーニングに依存しており、トレーニングには大規模で多様なラベル付きデータセットを必要とする。フレキシブルセンサの高線形性により,ドメイン適応に基づく新しいSim2Real Mocapソリューションを提案する。我々のソリューションは、新しいサポートベースのドメイン適応法、すなわち、予測関数の支持を整列するSuDAに依存している。
参考スコア（独自算出の注目度）: 12.811669078348489
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Flexible sensors hold promise for human motion capture (MoCap), offering advantages such as wearability, privacy preservation, and minimal constraints on natural movement. However, existing flexible sensor-based MoCap methods rely on deep learning and necessitate large and diverse labeled datasets for training. These data typically need to be collected in MoCap studios with specialized equipment and substantial manual labor, making them difficult and expensive to obtain at scale. Thanks to the high-linearity of flexible sensors, we address this challenge by proposing a novel Sim2Real Mocap solution based on domain adaptation, eliminating the need for labeled data yet achieving comparable accuracy to supervised learning. Our solution relies on a novel Support-based Domain Adaptation method, namely SuDA, which aligns the supports of the predictive functions rather than the instance-dependent distributions between the source and target domains. Extensive experimental results demonstrate the effectiveness of our method andits superiority over state-of-the-art distribution-based domain adaptation methods in our task.
Abstract（参考訳）: フレキシブルセンサーは人間のモーションキャプチャ(MoCap)を約束しており、着用性、プライバシー保護、自然運動に対する最小限の制約といった利点を提供する。しかし、既存の柔軟なセンサーベースのMoCapメソッドはディープラーニングに依存し、トレーニングには大規模で多様なラベル付きデータセットを必要とする。これらのデータは、通常、特別な機器とかなりの手作業でMoCapスタジオで収集する必要があるため、大規模に入手することは困難で費用がかかる。フレキシブルセンサーの高直線性のおかげで、ドメイン適応に基づいた新しいSim2Real Mocapソリューションを提案し、ラベル付きデータの必要性を排除し、教師付き学習に匹敵する精度を実現することで、この問題に対処する。我々のソリューションは、ソースとターゲットドメイン間のインスタンス依存分布ではなく、予測関数のサポートを整列する、新しいサポートベースのドメイン適応法、すなわちSuDAに依存しています。提案手法の有効性を実証し,本課題における現状分布に基づくドメイン適応手法よりも優れていることを示す。

関連論文リスト

EarDA: Towards Accurate and Data-Efficient Earable Activity Sensing [3.3690293278790415]
測定可能なデバイスは振幅やパターンに大きな変化を示し、特に動的で予測不能な頭部運動の存在下では顕著である。本稿では,異なるセンサ位置をまたいだドメインに依存しない特徴を抽出するドメイン適応システムであるEarDAを提案する。ヒューマンアクティビティ認識タスクでは88.8%の精度を達成し、ドメイン適応のないメソッドよりも43%改善した。
論文参考訳（メタデータ） (2024-06-18T12:13:43Z)
Sensor Data Augmentation from Skeleton Pose Sequences for Improving Human Activity Recognition [5.669438716143601]
HAR(Human Activity Recognition)は、ディープラーニングの普及に大きく貢献していない。本稿では,センサをベースとしたウェアラブル型HARに対して,ポーズ・ツー・センサ・ネットワークモデルを導入することにより,新たなアプローチを提案する。コントリビューションには、同時トレーニングの統合、直接ポーズ・ツー・センサ生成、MM-Fitデータセットの包括的な評価が含まれる。
論文参考訳（メタデータ） (2024-04-25T10:13:18Z)
CODA: A COst-efficient Test-time Domain Adaptation Mechanism for HAR [25.606795179822885]
モバイルセンシングのためのCOst- efficient Domain Adaptation 機構であるCODAを提案する。 CODAは、データ分散の観点からのリアルタイムドリフトにアクティブラーニング理論を用いて対処する。我々はCODAによるオンライン適応の可能性と可能性を実証する。
論文参考訳（メタデータ） (2024-03-22T02:50:42Z)
Informative Data Mining for One-Shot Cross-Domain Semantic Segmentation [84.82153655786183]
Informative Data Mining (IDM) と呼ばれる新しいフレームワークを提案し、セマンティックセグメンテーションのための効率的なワンショットドメイン適応を実現する。 IDMは、最も情報性の高いサンプルを特定するために不確実性に基づく選択基準を提供し、迅速に適応し、冗長なトレーニングを減らす。提案手法は,GTA5/SYNTHIAからCityscapesへの適応タスクにおいて,既存の手法より優れ,56.7%/55.4%の最先端のワンショット性能を実現している。
論文参考訳（メタデータ） (2023-09-25T15:56:01Z)
Exploring Few-Shot Adaptation for Activity Recognition on Diverse Domains [46.26074225989355]
ドメイン適応は、さまざまな環境における正確で堅牢なパフォーマンスを保証するために、アクティビティ認識に不可欠である。本研究では,FewShot Domain Adaptation for Activity Recognition (FSDA-AR) に焦点をあてる。より多様で困難な領域への適応を考慮した5つの確立されたデータセットを用いた新しいFSDA-ARを提案する。
論文参考訳（メタデータ） (2023-05-15T08:01:05Z)
One-Shot Domain Adaptive and Generalizable Semantic Segmentation with Class-Aware Cross-Domain Transformers [96.51828911883456]
セマンティックセグメンテーションのための教師なしのsim-to-realドメイン適応(UDA)は、シミュレーションデータに基づいて訓練されたモデルの実世界のテスト性能を改善することを目的としている。従来のUDAは、適応のためのトレーニング中に利用可能なラベルのない実世界のサンプルが豊富にあると仮定することが多い。実世界のデータサンプルが1つしか利用できない,一発の教師なしシム・トゥ・リアル・ドメイン適応(OSUDA)と一般化問題について検討する。
論文参考訳（メタデータ） (2022-12-14T15:54:15Z)
Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training for Road Segmentation of Remote Sensing Images [93.50240389540252]
リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。 2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
論文参考訳（メタデータ） (2021-08-28T09:29:14Z)
Selective Pseudo-Labeling with Reinforcement Learning for Semi-Supervised Domain Adaptation [116.48885692054724]
半教師付きドメイン適応のための強化学習に基づく選択擬似ラベル法を提案する。高精度かつ代表的な擬似ラベルインスタンスを選択するための深層Q-ラーニングモデルを開発する。提案手法は, SSDAのベンチマークデータセットを用いて評価し, 全ての比較手法よりも優れた性能を示す。
論文参考訳（メタデータ） (2020-12-07T03:37:38Z)
Continuous Domain Adaptation with Variational Domain-Agnostic Feature Replay [78.7472257594881]
非定常環境での学習は、機械学習における最大の課題の1つだ。非定常性はタスクドリフトまたはドメインドリフトによって引き起こされる。本稿では,3つのコンポーネントから構成されるアプローチである変分ドメインに依存しない特徴リプレイを提案する。
論文参考訳（メタデータ） (2020-03-09T19:50:24Z)
Do We Really Need to Access the Source Data? Source Hypothesis Transfer for Unsupervised Domain Adaptation [102.67010690592011]
Unsupervised adaptUDA (UDA) は、ラベル付きソースデータセットから学んだ知識を活用して、新しいラベル付きドメインで同様のタスクを解決することを目的としている。従来のUDAメソッドは、モデルに適応するためには、通常、ソースデータにアクセスする必要がある。この作業は、訓練済みのソースモデルのみが利用できる実践的な環境に取り組み、ソースデータなしでそのようなモデルを効果的に活用してUDA問題を解決する方法に取り組みます。
論文参考訳（メタデータ） (2020-02-20T03:13:58Z)

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。