論文の概要: SFDA-rPPG: Source-Free Domain Adaptive Remote Physiological Measurement with Spatio-Temporal Consistency

• arxiv url: http://arxiv.org/abs/2409.12040v1
• Date: Wed, 18 Sep 2024 14:59:30 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-19 17:10:23.739340
• Title: SFDA-rPPG: Source-Free Domain Adaptive Remote Physiological Measurement with Spatio-Temporal Consistency
• Title（参考訳）: SFDA-rPPG : 時空間整合性を用いた自由領域適応型遠隔生理学的測定
• Authors: Yiping Xie, Zitong Yu, Bingjie Wu, Weicheng Xie, Linlin Shen,
• Abstract要約: リモート光胸腺撮影(Remote Photoplethysmography)は、顔画像を用いて血液量の変化を予測する非接触法である。 伝統的な r モデルはしばしば、目に見えない領域における一般化能力の不足に悩まされる。 r測定のためのソースフリードメイン適応ベンチマーク(SFDA-r)を提案する。
• 参考スコア（独自算出の注目度）: 46.59612685711841
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Remote Photoplethysmography (rPPG) is a non-contact method that uses facial video to predict changes in blood volume, enabling physiological metrics measurement. Traditional rPPG models often struggle with poor generalization capacity in unseen domains. Current solutions to this problem is to improve its generalization in the target domain through Domain Generalization (DG) or Domain Adaptation (DA). However, both traditional methods require access to both source domain data and target domain data, which cannot be implemented in scenarios with limited access to source data, and another issue is the privacy of accessing source domain data. In this paper, we propose the first Source-free Domain Adaptation benchmark for rPPG measurement (SFDA-rPPG), which overcomes these limitations by enabling effective domain adaptation without access to source domain data. Our framework incorporates a Three-Branch Spatio-Temporal Consistency Network (TSTC-Net) to enhance feature consistency across domains. Furthermore, we propose a new rPPG distribution alignment loss based on the Frequency-domain Wasserstein Distance (FWD), which leverages optimal transport to align power spectrum distributions across domains effectively and further enforces the alignment of the three branches. Extensive cross-domain experiments and ablation studies demonstrate the effectiveness of our proposed method in source-free domain adaptation settings. Our findings highlight the significant contribution of the proposed FWD loss for distributional alignment, providing a valuable reference for future research and applications. The source code is available at https://github.com/XieYiping66/SFDA-rPPG
• Abstract（参考訳）: リモート光胸腺造影法(Remote Photoplethysmography, RPPG)は、顔画像を用いて血液量の変化を予測し、生理的測定を可能にする非接触法である。 伝統的なrPPGモデルは、目に見えない領域における一般化能力の不足に悩まされることが多い。 この問題に対する現在の解決策は、ドメイン一般化(DG)またはドメイン適応(DA)を通じて、ターゲットドメインの一般化を改善することである。 しかし、どちらの手法もソースドメインデータとターゲットドメインデータの両方へのアクセスを必要としており、ソースデータへのアクセスが制限されたシナリオでは実装できない。 本稿では、ソースドメインデータにアクセスせずに効果的なドメイン適応を可能にすることにより、これらの制限を克服する、RPPG測定のための最初のソースフリードメイン適応ベンチマーク(SFDA-rPPG)を提案する。 本フレームワークでは,3分岐時空間整合性ネットワーク(TSTC-Net)を導入し,ドメイン間の機能整合性を向上させる。 さらに、周波数領域Wasserstein Distance(FWD)に基づく新しいrPPG分布アライメント損失を提案する。 広範にわたるクロスドメイン実験とアブレーション実験により,提案手法の有効性が実証された。 本研究は,FWD損失が分布アライメントに大きく寄与していることを明らかにするとともに,今後の研究や応用に有益であることを示すものである。 ソースコードはhttps://github.com/XieYiping66/SFDA-rPPGで入手できる。

関連論文リスト

• Transcending Domains through Text-to-Image Diffusion: A Source-Free Approach to Domain Adaptation [6.649910168731417]
  ドメイン適応(ドメイン適応、Domain Adaptation、DA)は、アノテートデータが不十分なターゲットドメインにおけるモデルの性能を高める方法である。 本研究では,対象領域のサンプルに基づいてトレーニングしたテキスト・ツー・イメージ拡散モデルを用いて,ソースデータを生成する新しいSFDAフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-02T23:38:17Z)
• 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 via Distribution Estimation [106.48277721860036]
  ドメイン適応は、ラベル付きソースドメインから学んだ知識を、データ分散が異なるラベル付きターゲットドメインに転送することを目的としています。 近年,ソースフリードメイン適応 (Source-Free Domain Adaptation, SFDA) が注目されている。 本研究では,SFDA-DEと呼ばれる新しいフレームワークを提案し,ソース分布推定によるSFDAタスクに対処する。
  論文  参考訳（メタデータ） (2022-04-24T12:22:19Z)
• Domain-Agnostic Prior for Transfer Semantic Segmentation [197.9378107222422]
  教師なしドメイン適応(UDA)はコンピュータビジョンコミュニティにおいて重要なトピックである。 ドメインに依存しない事前学習(DAP)を用いてドメイン間表現学習を規則化する機構を提案する。 我々の研究は、UDAがより良いプロキシ、おそらく他のデータモダリティの恩恵を受けていることを明らかにしている。
  論文  参考訳（メタデータ） (2022-04-06T09:13:25Z)
• Instance Relation Graph Guided Source-Free Domain Adaptive Object Detection [79.89082006155135]
  教師なしドメイン適応(Unsupervised Domain Adaptation, UDA)は、ドメインシフトの問題に取り組むための効果的なアプローチである。 UDAメソッドは、ターゲットドメインの一般化を改善するために、ソースとターゲット表現を整列させようとする。 Source-Free Adaptation Domain (SFDA)設定は、ソースデータへのアクセスを必要とせずに、ターゲットドメインに対してソーストレーニングされたモデルを適用することで、これらの懸念を軽減することを目的としている。
  論文  参考訳（メタデータ） (2022-03-29T17:50:43Z)
• Semi-Supervised Hypothesis Transfer for Source-Free Domain Adaptation [38.982377864475374]
  適応段階のソースデータにアクセスすることなく,仮説伝達による新しい領域適応手法を提案する。 対象データを完全に活用するために,半教師付き相互拡張法を提案する。 本手法は最先端の手法と比較して,半教師付き適応タスクにおいて最大19.9%の改善が得られた。
  論文  参考訳（メタデータ） (2021-07-14T14:26:09Z)
• Adapting Off-the-Shelf Source Segmenter for Target Medical Image Segmentation [12.703234995718372]
  教師なしドメイン適応(Unsupervised domain adapt, UDA)は、ラベル付きソースドメインから学習した知識をラベルなしおよび見えないターゲットドメインに転送することを目的としている。 データストレージやプライバシの問題のため、適応段階でのソースドメインデータへのアクセスは制限されることが多い。 我々は、ソースドメインで事前訓練されたオフザシェルフセグメントモデルをターゲットドメインに適用することを提案する。
  論文  参考訳（メタデータ） (2021-06-23T16:16:55Z)
• Domain Conditioned Adaptation Network [90.63261870610211]
  本稿では,ドメイン条件付きチャネルアテンション機構を用いて,異なる畳み込みチャネルを励起するドメイン条件適応ネットワーク(DCAN)を提案する。 これは、ディープDAネットワークのドメインワイドな畳み込みチャネルアクティベーションを探求する最初の試みである。
  論文  参考訳（メタデータ） (2020-05-14T04:23:24Z)

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。