論文の概要: ToddlerAct: A Toddler Action Recognition Dataset for Gross Motor Development Assessment
- arxiv url: http://arxiv.org/abs/2409.00349v1
- Date: Sat, 31 Aug 2024 04:31:46 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-06 15:23:54.175277
- Title: ToddlerAct: A Toddler Action Recognition Dataset for Gross Motor Development Assessment
- Title（参考訳）: ToddlerAct:Gross Motor Development AssessmentのためのToddler行動認識データセット
- Authors: Hsiang-Wei Huang, Jiacheng Sun, Cheng-Yen Yang, Zhongyu Jiang, Li-Yu Huang, Jenq-Neng Hwang, Yu-Ching Yeh,
- Abstract要約: ToddlerActは幼児の運動行動認識データセットである。
本稿では,データ収集プロセス,アノテーション方法論,データセットの特徴について述べる。
本研究は,幼児期における運動機能発達の正確性を評価するための領域特異的データセットの重要性を明らかにするものである。
- 参考スコア（独自算出の注目度）: 26.16139407666899
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Assessing gross motor development in toddlers is crucial for understanding their physical development and identifying potential developmental delays or disorders. However, existing datasets for action recognition primarily focus on adults, lacking the diversity and specificity required for accurate assessment in toddlers. In this paper, we present ToddlerAct, a toddler gross motor action recognition dataset, aiming to facilitate research in early childhood development. The dataset consists of video recordings capturing a variety of gross motor activities commonly observed in toddlers aged under three years old. We describe the data collection process, annotation methodology, and dataset characteristics. Furthermore, we benchmarked multiple state-of-the-art methods including image-based and skeleton-based action recognition methods on our datasets. Our findings highlight the importance of domain-specific datasets for accurate assessment of gross motor development in toddlers and lay the foundation for future research in this critical area. Our dataset will be available at https://github.com/ipl-uw/ToddlerAct.
- Abstract（参考訳）: 幼児の運動発達を評価することは、身体的発達を理解し、潜在的な発達遅延や障害を特定するために重要である。
しかし、行動認識のための既存のデータセットは主に成人に焦点を当てており、幼児の正確な評価に必要な多様性と特異性は欠如している。
本稿では,幼児期の運動行動認識データセットであるToddlerActについて紹介する。
このデータセットは、3歳未満の幼児によく見られる様々な運動量を記録するビデオ記録で構成されている。
本稿では,データ収集プロセス,アノテーション方法論,データセットの特徴について述べる。
さらに,我々のデータセット上で画像ベースおよび骨格ベースの行動認識手法を含む,最先端の複数の手法をベンチマークした。
本研究は,幼児期における運動機能発達の正確な評価のための領域特異的データセットの重要性を強調し,この重要な領域における今後の研究の基盤となるものと考えられる。
データセットはhttps://github.com/ipl-uw/ToddlerAct.comで公開されます。
関連論文リスト
- Neural Lineage [56.34149480207817]
本稿では,親子間の系統関係の発見を目的としたニューラルライン検出という新しいタスクを提案する。
実用上,ニューラルネットワーク表現類似度指標に微調整プロセスの近似を組み込んだ学習自由アプローチを導入する。
精度を追求するために,エンコーダと変圧器検出器からなる学習系系統検出装置を導入する。
論文 参考訳（メタデータ） (2024-06-17T01:11:53Z) - The BabyView dataset: High-resolution egocentric videos of infants' and young children's everyday experiences [8.952954042940368]
これまでで最大の開発中心のビデオデータセットであるBabyViewデータセットをリリースしています。
この493時間のデータセットには、6ヶ月から5歳までの子どもの、長手、家庭、および就学前の環境のエゴセントリックなビデオが含まれています。
我々は,自己教師型言語と視覚モデルを訓練し,構文構造学習,物体認識,深度推定,画像セグメント化などのアウト・オブ・ディストリビューションタスクへの伝達を評価する。
論文 参考訳（メタデータ） (2024-06-14T23:52:27Z) - Data Augmentation in Human-Centric Vision [54.97327269866757]
本研究では,人間中心型視覚タスクにおけるデータ拡張手法の包括的分析を行う。
それは、人物のReID、人間のパーシング、人間のポーズ推定、歩行者検出など、幅広い研究領域に展開している。
我々の研究は、データ拡張手法をデータ生成とデータ摂動の2つの主なタイプに分類する。
論文 参考訳（メタデータ） (2024-03-13T16:05:18Z) - Modeling 3D Infant Kinetics Using Adaptive Graph Convolutional Networks [2.2279946664123664]
自発運動、運動学(orkinetics)は、今後の神経発達の強力なサロゲート指標を提供する。
そこで本研究では,個々の運動パターンのデータ駆動評価に基づいて,乳幼児の成熟を予測するための代替手法を提案する。
論文 参考訳（メタデータ） (2024-02-22T09:34:48Z) - Challenges in Video-Based Infant Action Recognition: A Critical
Examination of the State of the Art [9.327466428403916]
InfActPrimitive’という,5つの重要な幼児マイルストーンアクションカテゴリを含む,画期的なデータセットを紹介します。
近縁骨格に基づく行動認識モデルを用いた広範囲な比較分析を行う。
以上の結果から,PoseC3Dモデルでは約71%の精度で高い精度を達成できたが,残りのモデルでは乳幼児行動の動態を正確に把握することが困難であった。
論文 参考訳（メタデータ） (2023-11-21T02:36:47Z) - Towards early prediction of neurodevelopmental disorders: Computational
model for Face Touch and Self-adaptors in Infants [0.0]
乳児の運動を評価することは、発達障害の発症リスクを理解する鍵となる。
心理学における以前の研究は、赤ちゃんの顔の触覚などの特定の動きやジェスチャーを測定することは、赤ちゃんが自分自身とその文脈をどのように理解しているかを分析するのに不可欠であることを示した。
本研究は,乳幼児の動作やジェスチャーを追跡することによって,映像記録から顔の触覚を検出する,最初の自動アプローチを提案する。
論文 参考訳（メタデータ） (2023-01-07T18:08:43Z) - NeuroExplainer: Fine-Grained Attention Decoding to Uncover Cortical
Development Patterns of Preterm Infants [73.85768093666582]
我々はNeuroExplainerと呼ばれる説明可能な幾何学的深層ネットワークを提案する。
NeuroExplainerは、早産に伴う幼児の皮質発達パターンの解明に使用される。
論文 参考訳（メタデータ） (2023-01-01T12:48:12Z) - Voxel-level Importance Maps for Interpretable Brain Age Estimation [70.5330922395729]
本稿では,畳み込みニューラルネットワークを用いた3次元脳磁気共鳴(MR)画像からの脳年齢回帰の課題に着目した。
予測モデルの性能を損なうことなく、できるだけ多くのノイズを入力に追加することを目的としたノイズモデルを実装した。
本手法は,英国バイオバンクの13750個の脳MR画像を用いて検討し,既存の神経病理学文献と一致している。
論文 参考訳（メタデータ） (2021-08-11T18:08:09Z) - FP-Age: Leveraging Face Parsing Attention for Facial Age Estimation in
the Wild [50.8865921538953]
年齢推定に顔のセマンティクスを明示的に組み込む手法を提案する。
我々は,顔解析に基づくネットワークを設計し,異なるスケールで意味情報を学習する。
提案手法は,既存の年齢推定手法を常に上回っていることを示す。
論文 参考訳（メタデータ） (2021-06-21T14:31:32Z) - Child-Computer Interaction: Recent Works, New Dataset, and Age Detection [6.061943386819384]
ChildCIは、モバイルデバイスと対話しながら、子どもの認知と神経運動の発達をよりよく理解することを目的としている。
私たちのフレームワークでは、子どもたちはペンスタイラスと指を使ってタブレットデバイスと対話し、異なるレベルの神経運動能力と認知能力を必要とするタスクを実行します。
ChildCIdbは18ヶ月から8歳までの400人以上の子供で構成されており、それゆえ、ピアジェ理論の最初の3つの発達段階を考慮している。
論文 参考訳（メタデータ） (2021-02-02T09:51:58Z) - A Developmental Neuro-Robotics Approach for Boosting the Recognition of
Handwritten Digits [91.3755431537592]
近年のエビデンスでは、子どもの体現戦略をシミュレーションすることで、マシンインテリジェンスも改善できることが示されている。
本稿では,発達神経ロボティクスの文脈における畳み込みニューラルネットワークモデルへの具体的戦略の適用について検討する。
論文 参考訳（メタデータ） (2020-03-23T14:55:00Z)
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。