論文の概要: Gaze Label Alignment: Alleviating Domain Shift for Gaze Estimation
- arxiv url: http://arxiv.org/abs/2412.15601v1
- Date: Fri, 20 Dec 2024 06:48:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-23 16:24:00.198878
- Title: Gaze Label Alignment: Alleviating Domain Shift for Gaze Estimation
- Title（参考訳）: Gaze Labelアライメント: Gazeの推定におけるドメインシフトの軽減
- Authors: Guanzhong Zeng, Jingjing Wang, Zefu Xu, Pengwei Yin, Wenqi Ren, Di Xie, Jiang Zhu,
- Abstract要約: ラベル分布の偏差をなくすために,GLA (Gang label alignment algorithm) を提案する。
具体的には、まずすべてのドメインの機能抽出器をトレーニングして、ドメイン不変の機能を得る。
残余領域の視線ラベルを予測し、マッピング関数を用いてラベルを整列する。
- 参考スコア（独自算出の注目度）: 36.08813600688283
- License:
- Abstract: Gaze estimation methods encounter significant performance deterioration when being evaluated across different domains, because of the domain gap between the testing and training data. Existing methods try to solve this issue by reducing the deviation of data distribution, however, they ignore the existence of label deviation in the data due to the acquisition mechanism of the gaze label and the individual physiological differences. In this paper, we first point out that the influence brought by the label deviation cannot be ignored, and propose a gaze label alignment algorithm (GLA) to eliminate the label distribution deviation. Specifically, we first train the feature extractor on all domains to get domain invariant features, and then select an anchor domain to train the gaze regressor. We predict the gaze label on remaining domains and use a mapping function to align the labels. Finally, these aligned labels can be used to train gaze estimation models. Therefore, our method can be combined with any existing method. Experimental results show that our GLA method can effectively alleviate the label distribution shift, and SOTA gaze estimation methods can be further improved obviously.
- Abstract（参考訳）: 注視推定法は,テストデータとトレーニングデータの間には領域差があるため,異なる領域にまたがって評価される場合,性能が著しく低下する。
既存の手法では,データ分布の偏差を低減してこの問題を解決しようとするが,視線ラベルの取得機構と個々の生理的差異により,データ中のラベル偏差の存在を無視する。
本稿では,まず,ラベルの偏差による影響を無視できないことを指摘し,ラベルの偏差を解消するための視線ラベルアライメントアルゴリズム(GLA)を提案する。
具体的には、まずすべてのドメインの機能抽出器をトレーニングし、ドメイン不変の機能を取得し、次にアンカードメインを選択して、Gear Regressorをトレーニングします。
残余領域の視線ラベルを予測し、マッピング関数を用いてラベルを整列する。
最後に、これらのアライメントラベルは、視線推定モデルをトレーニングするために使用することができる。
したがって,既存の手法と組み合わせることができる。
実験結果から,GLA法はラベル分布シフトを効果的に緩和し,SOTAの視線推定法をさらに改善できることが示唆された。
関連論文リスト
- Labeled-to-Unlabeled Distribution Alignment for Partially-Supervised Multi-Organ Medical Image Segmentation [30.953837550398884]
部分教師付き多臓器画像セグメンテーションは統合意味セグメンテーションモデルの構築を目的としている。
本稿では,特徴分布を調整し,識別能力を向上するラベル付き非ラベル分布アライメントフレームワークを提案する。
提案手法は,最先端部分教師方式よりもかなりのマージンで性能を向上する。
論文 参考訳（メタデータ） (2024-09-05T03:55:37Z) - All Points Matter: Entropy-Regularized Distribution Alignment for
Weakly-supervised 3D Segmentation [67.30502812804271]
擬似ラベルは、弱い教師付き3Dセグメンテーションタスクに広く使われており、学習に使えるのはスパース・グラウンド・トラス・ラベルのみである。
本稿では,生成した擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭めるための新しい学習戦略を提案する。
論文 参考訳（メタデータ） (2023-05-25T08:19:31Z) - Dist-PU: Positive-Unlabeled Learning from a Label Distribution
Perspective [89.5370481649529]
本稿では,PU学習のためのラベル分布視点を提案する。
そこで本研究では,予測型と基底型のラベル分布間のラベル分布の整合性を追求する。
提案手法の有効性を3つのベンチマークデータセットで検証した。
論文 参考訳（メタデータ） (2022-12-06T07:38:29Z) - Label distribution learning via label correlation grid [9.340734188957727]
ラベル関係の不確かさをモデル化するための textbfLabel textbfCorrelation textbfGrid (LCG) を提案する。
我々のネットワークはLCGを学習し、各インスタンスのラベル分布を正確に推定する。
論文 参考訳（メタデータ） (2022-10-15T03:58:15Z) - Improving Pseudo Labels With Intra-Class Similarity for Unsupervised
Domain Adaptation [14.059958451082544]
対象領域における擬似ラベルの精度を向上させるための新しい手法を提案する。
提案手法は、擬似ラベルの精度を高め、さらに識別性や領域不変性を高めることができる。
論文 参考訳（メタデータ） (2022-07-25T12:42:24Z) - Cycle Label-Consistent Networks for Unsupervised Domain Adaptation [57.29464116557734]
ドメイン適応は、ラベル付きソースドメインを活用して、異なる分布を持つラベル付きターゲットドメインの分類子を学ぶことを目的としています。
本稿では,分類ラベルのサイクル整合性を利用して,シンプルで効率的な領域適応手法,すなわちCycle Label-Consistent Network (CLCN)を提案する。
MNIST-USPS-SVHN, Office-31, Office-Home, Image CLEF-DAベンチマークに対するアプローチの有効性を示す。
論文 参考訳（メタデータ） (2022-05-27T13:09:08Z) - Distribution-Aware Semantics-Oriented Pseudo-label for Imbalanced
Semi-Supervised Learning [80.05441565830726]
本稿では,疑似ラベルの重み付けがモデル性能に悪影響を及ぼすような,不均衡な半教師付き学習に対処する。
本稿では,この観測の動機となるバイアスに対処する,一般的な擬似ラベルフレームワークを提案する。
不均衡SSLのための新しい擬似ラベルフレームワークを、DASO(Distributed-Aware Semantics-Oriented Pseudo-label)と呼ぶ。
論文 参考訳（メタデータ） (2021-06-10T11:58:25Z) - Rethinking Pseudo Labels for Semi-Supervised Object Detection [84.697097472401]
物体検出に適した確実な擬似ラベルを導入する。
我々は,クラス不均衡問題を緩和するために,各カテゴリの擬似ラベルと再重み付き損失関数を生成するために使用する閾値を動的に調整する。
提案手法では,COCOのラベル付きデータのみを用いて,教師付きベースラインを最大10%改善する。
論文 参考訳（メタデータ） (2021-06-01T01:32:03Z)
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。