論文の概要: CKSP: Cross-species Knowledge Sharing and Preserving for Universal Animal Activity Recognition

• arxiv url: http://arxiv.org/abs/2410.16644v1
• Date: Tue, 22 Oct 2024 02:44:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-23 14:25:23.090416
• Title: CKSP: Cross-species Knowledge Sharing and Preserving for Universal Animal Activity Recognition
• Title（参考訳）: CKSP: 共通動物行動認識のための知識共有と保存
• Authors: Axiu Mao, Meilu Zhu, Zhaojin Guo, Zheng He, Tomas Norton, Kai Liu,
• Abstract要約: 我々は,多種多様な動物種のセンサデータに基づいて,多種間知識共有保存(CKSP)と呼ばれる一対一のフレームワークを提案する。 一般的な特徴を学習するために、共有されたフルランクの畳み込み層を使用し、CKSPフレームワークは種間の相補性を学ぶことができる。 種間のデータ分布の相違から生じる訓練競合を考慮し,種別バッチ正規化(SBN)モジュールを考案した。
• 参考スコア（独自算出の注目度）: 7.012560255346829
• License:
• Abstract: Deep learning techniques are dominating automated animal activity recognition (AAR) tasks with wearable sensors due to their high performance on large-scale labelled data. However, current deep learning-based AAR models are trained solely on datasets of individual animal species, constraining their applicability in practice and performing poorly when training data are limited. In this study, we propose a one-for-many framework, dubbed Cross-species Knowledge Sharing and Preserving (CKSP), based on sensor data of diverse animal species. Given the coexistence of generic and species-specific behavioural patterns among different species, we design a Shared-Preserved Convolution (SPConv) module. This module assigns an individual low-rank convolutional layer to each species for extracting species-specific features and employs a shared full-rank convolutional layer to learn generic features, enabling the CKSP framework to learn inter-species complementarity and alleviating data limitations via increasing data diversity. Considering the training conflict arising from discrepancies in data distributions among species, we devise a Species-specific Batch Normalization (SBN) module, that involves multiple BN layers to separately fit the distributions of different species. To validate CKSP's effectiveness, experiments are performed on three public datasets from horses, sheep, and cattle, respectively. The results show that our approach remarkably boosts the classification performance compared to the baseline method (one-for-one framework) solely trained on individual-species data, with increments of 6.04%, 2.06%, and 3.66% in accuracy, and 10.33%, 3.67%, and 7.90% in F1-score for the horse, sheep, and cattle datasets, respectively. This proves the promising capabilities of our method in leveraging multi-species data to augment classification performance.
• Abstract（参考訳）: ディープラーニング技術は、大規模ラベル付きデータ上での高性能のため、ウェアラブルセンサーによる自動動物行動認識(AAR)タスクを支配している。 しかし、現在のディープラーニングベースのAARモデルは、個々の動物種のデータセットのみに基づいてトレーニングされており、実際に適用可能であることを制限し、訓練データに制限がある場合、性能が低下している。 本研究では,多種多様な動物のセンサデータに基づいて,CKSP(Cross-species Knowledge Sharing and Preserving)と呼ばれる1対1のフレームワークを提案する。 種別および種別行動パターンの共存を考慮し,SPConv(Shared-Preserved Convolution)モジュールを設計した。 このモジュールは、種特異的な特徴を抽出するために、各種に個々の低ランクの畳み込み層を割り当て、共有フルランクの畳み込み層を使用して一般的な特徴を学習し、CKSPフレームワークはデータの多様性を増大させることで、種間の相補性を学習し、データ制限を緩和することができる。 種間のデータ分布の相違から生じる訓練競合を考慮し,複数のBN層を含む種特異的バッチ正規化(SBN)モジュールを考案し,異なる種の分布を個別に適合させる。 CKSPの有効性を検証するために、馬、羊、牛の3つの公開データセットでそれぞれ実験が行われた。 その結果,本手法は,種別データのみをトレーニングした基準法(1対1のフレームワーク)と比較して,精度が6.04%,2.06%,3.66%,F1スコアが10.33%,3.67%,および7.90%の精度で,分類性能を著しく向上させることがわかった。 このことは,多種データを利用した分類性能向上における本手法の有望な能力を示すものである。

関連論文リスト

• UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
  ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。 異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。 特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
  論文  参考訳（メタデータ） (2024-02-20T11:50:27Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Improving Primate Sounds Classification using Binary Presorting for Deep Learning [6.044912425856236]
  本稿では,MELスペクトル表現のサブセグメンテーションを初めてリラベルする一般化アプローチを提案する。 バイナリプリソートと分類の両方において、畳み込みニューラルネットワーク(CNN)と様々なデータ拡張技術を利用する。 本研究は,異なる霊長類種の音の分類を課題とする,挑戦的なTextitComparE 2021データセットについて,本手法の結果を紹介する。
  論文  参考訳（メタデータ） (2023-06-28T09:35:09Z)
• FLAG: Fast Label-Adaptive Aggregation for Multi-label Classification in Federated Learning [1.4280238304844592]
  本研究では,クラスタリングに基づくマルチラベルデータアロケーション(CMDA)と,新たな集約手法であるFast Label-Adaptive Aggregation(FLAG)を提案する。 実験の結果,我々の手法は,最先端のフェデレーション学習手法を超越するために,学習エポックとコミュニケーションラウンドの50%未満しか必要としないことがわかった。
  論文  参考訳（メタデータ） (2023-02-27T08:16:39Z)
• Solutions for Fine-grained and Long-tailed Snake Species Recognition in SnakeCLEF 2022 [30.8004334312293]
  我々はSnakeCLEF 2022でヘビの種を認識できる方法を紹介した。 いくつかの異なるモデルのアンサンブルにより、3位にランクインしたプライベートスコア82.65%が最終リーダーボードで達成される。
  論文  参考訳（メタデータ） (2022-07-04T05:55:58Z)
• SplitAVG: A heterogeneity-aware federated deep learning method for medical imaging [29.271291030933966]
  フェデレートラーニング(Federated Learning)は、患者データを共有することなく、ディープラーニングモデルを協調的にトレーニングするための、新たな研究パラダイムである。 本研究では,フェデレーション学習におけるデータの不均一性から得られる性能低下を克服する,新しいヘテロジニアス対応フェデレーション学習手法であるSplitAVGを提案する。 本研究では,SplitAVGを7つの最先端のフェデレーション学習手法と比較する。
  論文  参考訳（メタデータ） (2021-07-06T03:58:10Z)
• No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
  実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。 このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。 実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
  論文  参考訳（メタデータ） (2021-06-09T12:02:29Z)
• Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
  マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。 ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。 マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
  論文  参考訳（メタデータ） (2020-12-29T23:43:16Z)
• Rethinking Class-Balanced Methods for Long-Tailed Visual Recognition from a Domain Adaptation Perspective [98.70226503904402]
  現実世界のオブジェクトの周波数は、しばしば電力法則に従い、長い尾のクラス分布を持つデータセット間のミスマッチを引き起こす。 メタラーニング手法を用いて,クラス条件分布の違いを明示的に推定し,古典的なクラスバランス学習を強化することを提案する。
  論文  参考訳（メタデータ） (2020-03-24T11:28:42Z)
• Transferring Dense Pose to Proximal Animal Classes [83.84439508978126]
  より一般的な対象検出器やセグメンタなどと同様に、密集したポーズ認識に存在する知識を、他のクラスにおける密集したポーズ認識の問題に移すことが可能であることを示す。 我々は、人間と幾何学的に整合した新しい動物のためのDensePoseモデルを確立することでこれを行う。 また、クラスチンパンジーにDensePoseの方法でラベル付けされた2つのベンチマークデータセットを導入し、アプローチを評価するためにそれらを使用します。
  論文  参考訳（メタデータ） (2020-02-28T21:43:53Z)

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。