論文の概要: ELF-UA: Efficient Label-Free User Adaptation in Gaze Estimation

• arxiv url: http://arxiv.org/abs/2406.09481v1
• Date: Thu, 13 Jun 2024 13:00:33 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-17 17:44:16.363675
• Title: ELF-UA: Efficient Label-Free User Adaptation in Gaze Estimation
• Title（参考訳）: ELF-UA: 迷路推定における効率的なラベルフリーユーザ適応
• Authors: Yong Wu, Yang Wang, Sanqing Qu, Zhijun Li, Guang Chen,
• Abstract要約: 我々のゴールは、ターゲットユーザーに特異的に適応したパーソナライズされた視線推定モデルを提供することです。 以前の作業では、テスト時にモデルを微調整するために、対象人物データのラベル付きイメージが必要になる。 提案手法はメタラーニング手法を用いて,少数の未ラベル画像で新しいユーザへの適応方法を学習する。
• 参考スコア（独自算出の注目度）: 14.265464822002924
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider the problem of user-adaptive 3D gaze estimation. The performance of person-independent gaze estimation is limited due to interpersonal anatomical differences. Our goal is to provide a personalized gaze estimation model specifically adapted to a target user. Previous work on user-adaptive gaze estimation requires some labeled images of the target person data to fine-tune the model at test time. However, this can be unrealistic in real-world applications, since it is cumbersome for an end-user to provide labeled images. In addition, previous work requires the training data to have both gaze labels and person IDs. This data requirement makes it infeasible to use some of the available data. To tackle these challenges, this paper proposes a new problem called efficient label-free user adaptation in gaze estimation. Our model only needs a few unlabeled images of a target user for the model adaptation. During offline training, we have some labeled source data without person IDs and some unlabeled person-specific data. Our proposed method uses a meta-learning approach to learn how to adapt to a new user with only a few unlabeled images. Our key technical innovation is to use a generalization bound from domain adaptation to define the loss function in meta-learning, so that our method can effectively make use of both the labeled source data and the unlabeled person-specific data during training. Extensive experiments validate the effectiveness of our method on several challenging benchmarks.
• Abstract（参考訳）: ユーザ適応型3D視線推定の問題点を考察する。 個人非依存の視線推定の性能は、人体解剖学的差異により制限される。 我々のゴールは、ターゲットユーザーに特異的に適応したパーソナライズされた視線推定モデルを提供することです。 ユーザ適応型視線推定のこれまでの研究は、テスト時にモデルを微調整するために、対象人物データのラベル付き画像を必要とする。 しかし、これは現実世界のアプリケーションでは非現実的になり得る。 さらに、以前の研究では、視線ラベルと人身認証の両方を持つようにトレーニングデータが必要である。 このデータ要件により、利用可能なデータの一部を使用することが不可能になる。 このような課題に対処するため,本稿では,視線推定におけるラベルフリーユーザ適応という新たな課題を提案する。 我々のモデルは、モデル適応のためにターゲットユーザのラベルのないイメージを少しだけ必要とします。 オフライントレーニングでは、個人IDのないラベル付きソースデータと、ラベルなしの個人固有のデータがある。 提案手法はメタラーニング手法を用いて,少数の未ラベル画像で新しいユーザへの適応方法を学習する。 我々の重要な技術的革新は、メタラーニングにおける損失関数を定義するために、ドメイン適応から束縛された一般化を使用することで、トレーニング中にラベル付きソースデータとラベルなし人固有のデータの両方を効果的に利用できるようにすることである。 大規模な実験により,いくつかの挑戦的なベンチマークにおいて,本手法の有効性が検証された。

関連論文リスト

• One-Shot Unlearning of Personal Identities [38.36863497458095]
  O-UPI (One-Shot Unlearning of Personal Identities) は、トレーニングデータがアクセスできない場合の未学習モデルを評価する。 CelebAとCelebA-HQデータセットの忘れを、異なる学習セットサイズでベンチマークする。 得られたサンプルとトレーニング時に使用するデータとの相違点がある場合,データ可用性が制限された場合,既存のアプローチは困難であることが示唆された。
  論文  参考訳（メタデータ） (2024-07-16T10:00:54Z)
• Data Adaptive Traceback for Vision-Language Foundation Models in Image Classification [34.37262622415682]
  我々はData Adaptive Tracebackと呼ばれる新しい適応フレームワークを提案する。 具体的には、ゼロショット法を用いて、事前学習データの最もダウンストリームなタスク関連サブセットを抽出する。 我々は、擬似ラベルに基づく半教師付き手法を採用し、事前学習画像の再利用と、半教師付き学習における確証バイアス問題に対処するための視覚言語コントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2024-07-11T18:01:58Z)
• Cluster-level pseudo-labelling for source-free cross-domain facial expression recognition [94.56304526014875]
  表情認識のためのSFUDA法を提案する。 本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。 提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-11T08:24:50Z)
• CAFA: Class-Aware Feature Alignment for Test-Time Adaptation [50.26963784271912]
  テスト時間適応(TTA)は、テスト時にラベルのないデータにモデルを適応させることによって、この問題に対処することを目的としている。 本稿では,クラス認識特徴アライメント(CAFA, Class-Aware Feature Alignment)と呼ばれる単純な機能アライメント損失を提案する。
  論文  参考訳（メタデータ） (2022-06-01T03:02:07Z)
• On-the-Fly Test-time Adaptation for Medical Image Segmentation [63.476899335138164]
  ソースモデルをテスト時にターゲットデータに適応させることは、データシフト問題に対する効率的な解決策である。 本稿では、各畳み込みブロックに適応バッチ正規化層を設けるAdaptive UNetという新しいフレームワークを提案する。 テスト期間中、モデルは新しいテストイメージのみを取り込み、ドメインコードを生成して、テストデータに従ってソースモデルの特徴を適応させる。
  論文  参考訳（メタデータ） (2022-03-10T18:51:29Z)
• Debiased Pseudo Labeling in Self-Training [77.83549261035277]
  ディープニューラルネットワークは、大規模ラベル付きデータセットの助けを借りて、幅広いタスクで顕著なパフォーマンスを達成する。 ラベル付きデータの要求を軽減するため、ラベル付けされていないデータに擬似ラベルを付けることにより、学術と産業の両方で自己学習が広く使われている。 疑似ラベルの生成と利用を2つの独立した頭文字で分離するデバイアスドを提案する。
  論文  参考訳（メタデータ） (2022-02-15T02:14:33Z)
• Subject Adaptive EEG-based Visual Recognition [14.466626957417864]
  本稿では,脳波信号に基づいて被験者が観察する視覚オブジェクトのクラスを予測することを目的とした,脳波に基づく視覚認識に焦点を当てた。 主な課題の1つは、異なる主題からの信号の大きなばらつきである。 本稿では,脳波をベースとした視覚認識という新たな課題について紹介する。
  論文  参考訳（メタデータ） (2021-10-26T08:06:55Z)
• Towards Good Practices for Efficiently Annotating Large-Scale Image Classification Datasets [90.61266099147053]
  多数の画像の分類ラベルを収集するための効率的なアノテーション戦略を検討する。 人間のラベリング作業を最小化するための修正とベストプラクティスを提案します。 ImageNet100の125kイメージサブセットのシミュレーション実験では、平均で0.35のアノテーションで80%のトップ-1の精度でアノテートできることが示されている。
  論文  参考訳（メタデータ） (2021-04-26T16:29:32Z)
• DEAL: Deep Evidential Active Learning for Image Classification [0.0]
  アクティブラーニング(AL)は、限られたラベル付きデータの問題を緩和するためのアプローチである。 CNNの最近のAL手法は、ラベル付けするインスタンスの選択に異なる解決策を提案する。 本稿では,ラベルのないデータから高い予測不確かさを捕捉して効率よく学習する新しいALアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-22T11:14:23Z)
• Incremental Real-Time Personalization in Human Activity Recognition Using Domain Adaptive Batch Normalization [1.160208922584163]
  スマートフォン加速度計などのデバイスからのヒューマンアクティビティ認識(HAR)はユビキタスコンピューティングの基本的な問題である。 従来の作業では、一般的な認識モデルを静的バッチ設定で新しいユーザのユニークな動作パターンにパーソナライズすることで、この問題に対処してきた。 我々の研究は、教師なしのオンラインドメイン適応アルゴリズムを提案することによって、これらの課題に対処する。
  論文  参考訳（メタデータ） (2020-05-25T15:49:10Z)
• Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
  ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。 我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。 そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
  論文  参考訳（メタデータ） (2020-05-18T09:36:51Z)

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。