論文の概要: Monkey Transfer Learning Can Improve Human Pose Estimation

• arxiv url: http://arxiv.org/abs/2412.15966v1
• Date: Fri, 20 Dec 2024 15:06:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-23 16:23:47.872774
• Title: Monkey Transfer Learning Can Improve Human Pose Estimation
• Title（参考訳）: 猿の移動学習は人間の視点推定を改善する
• Authors: Bradley Scott, Clarisse de Vries, Aiden Durrant, Nir Oren, Edward Chadwick, Dimitra Blana,
• Abstract要約: ディープニューラルネットワークを利用する最先端のポーズ推定技術は、非クリニカルデータセットの人間のアノテーションにマッチすることができる。 倫理的課題とデータ収集の欠如により、AIトレーニングには、臨床データセットが広く利用できない。 我々は、他の種からのデータがこのギャップを埋めることができ、ネットワークを広い範囲のモーションキューに露出させることで、そのギャップを埋めることができるかもしれないことを観察した。
• 参考スコア（独自算出の注目度）: 1.1380162891529535
• License:
• Abstract: In this study, we investigated whether transfer learning from macaque monkeys could improve human pose estimation. Current state-of-the-art pose estimation techniques, often employing deep neural networks, can match human annotation in non-clinical datasets. However, they underperform in novel situations, limiting their generalisability to clinical populations with pathological movement patterns. Clinical datasets are not widely available for AI training due to ethical challenges and a lack of data collection. We observe that data from other species may be able to bridge this gap by exposing the network to a broader range of motion cues. We found that utilising data from other species and undertaking transfer learning improved human pose estimation in terms of precision and recall compared to the benchmark, which was trained on humans only. Compared to the benchmark, fewer human training examples were needed for the transfer learning approach (1,000 vs 19,185). These results suggest that macaque pose estimation can improve human pose estimation in clinical situations. Future work should further explore the utility of pose estimation trained with monkey data in clinical populations.
• Abstract（参考訳）: 本研究では,マカクザルの移動学習が人間のポーズ推定を改善するかどうかを検討した。 現在の最先端のポーズ推定技術は、しばしばディープニューラルネットワークを使用し、非クリニカルデータセットの人間のアノテーションと一致させることができる。 しかし、これらは新たな状況下では不十分であり、病的運動パターンを持つ臨床患者に対する一般性に制限を与えている。 倫理的課題とデータ収集の欠如により、AIトレーニングには、臨床データセットが広く利用できない。 我々は,ネットワークを広い範囲の運動手段に露出させることで,他の種からのデータがこのギャップを埋めることができることを観察した。 その結果、他の種からのデータを活用し、移動学習を行うことで、人間にのみ訓練されたベンチマークと比較して、精度とリコールの観点から人間のポーズ推定が改善された。 ベンチマークと比較すると、トランスファーラーニングアプローチ(1,000対19,185対)には、人間のトレーニング例が少なかった。 これらの結果から,マカクのポーズ推定は臨床的状況においてヒトのポーズ推定を改善することが示唆された。 今後の研究は、サルデータで訓練された臨床集団におけるポーズ推定の有用性をさらに探求する。

関連論文リスト

• Evaluating Pre-Training Bias on Severe Acute Respiratory Syndrome Dataset [0.0]
  この研究は、OpenDataSUSの重症急性呼吸症候群データセットを使用して、3つのトレーニング済みバイアスメトリクスを可視化する。 目的は、異なる領域のバイアスを比較し、保護された属性に注目し、モデルのパフォーマンスとメトリック値を比較することである。
  論文  参考訳（メタデータ） (2024-08-27T20:49:11Z)
• Enhancing Activity Recognition After Stroke: Generative Adversarial Networks for Kinematic Data Augmentation [0.0]
  脳卒中リハビリテーションにおけるウェアラブルモニタリングのための機械学習モデルの一般化可能性はしばしば、利用可能なデータの限られたスケールと不均一性によって制限される。 データ拡張は、トレーニングセットに表される変動性を強化するために、実際のデータに計算的に導出されたデータを追加することで、この課題に対処する。 本研究では、CGAN(Conditional Generative Adversarial Networks)を用いて、公開データセットから合成キネマティックデータを生成する。 合成データと実験データの両方でディープラーニングモデルを訓練することにより、タスク分類精度を向上させる:実データのみを訓練したモデルでは66.1%よりもはるかに高い80.0%の精度で合成データを組み込んだモデル。
  論文  参考訳（メタデータ） (2024-06-12T15:51:00Z)
• Learning Human Action Recognition Representations Without Real Humans [66.61527869763819]
  そこで本研究では,仮想人間を含む合成データを用いて,実世界の映像を活用してモデルを事前学習するベンチマークを提案する。 次に、このデータに基づいて学習した表現を、下流行動認識ベンチマークの様々なセットに転送可能であるかを評価する。 私たちのアプローチは、以前のベースラインを最大5%上回ります。
  論文  参考訳（メタデータ） (2023-11-10T18:38:14Z)
• Reducing Intraspecies and Interspecies Covariate Shift in Traumatic Brain Injury EEG of Humans and Mice Using Transfer Euclidean Alignment [4.264615907591813]
  被験者間の高いばらつきは、現実世界の分類タスクのための機械学習モデルをデプロイすることに関して、大きな課題となる。 そのような場合、特定のデータセットで例外的なパフォーマンスを示す機械学習モデルは、同じタスクに対して異なるデータセットに適用した場合、必ずしも同様の習熟度を示すとは限らない。 本稿では,人間の生体医学的データの堅牢性に対処し,深層学習モデルの訓練を行うトランスファーユークリッドアライメントについて紹介する。
  論文  参考訳（メタデータ） (2023-10-03T19:48:02Z)
• Dataset Bias in Human Activity Recognition [57.91018542715725]
  このコントリビューションは、トレーニングデータを統計的にキュレートし、人間の身体的特性がHARのパフォーマンスにどの程度影響するかを評価する。 時系列HARのセンサ,アクティビティ,記録の異なる2つのHARデータセット上で,最先端の畳み込みニューラルネットワークの性能を評価する。
  論文  参考訳（メタデータ） (2023-01-19T12:33:50Z)
• Anatomy-guided domain adaptation for 3D in-bed human pose estimation [62.3463429269385]
  3次元人間のポーズ推定は臨床モニタリングシステムにおいて重要な要素である。 ラベル付きソースからシフトしたラベル付きターゲットドメインにモデルを適応させる新しいドメイン適応方式を提案する。 我々の手法は、様々な最先端のドメイン適応法より一貫して優れています。
  論文  参考訳（メタデータ） (2022-11-22T11:34:51Z)
• Unsupervised pre-training of graph transformers on patient population graphs [48.02011627390706]
  異種臨床データを扱うグラフ変換器を用いたネットワークを提案する。 自己教師型, 移動学習環境において, 事前学習方式の利点を示す。
  論文  参考訳（メタデータ） (2022-07-21T16:59:09Z)
• Zero-shot meta-learning for small-scale data from human subjects [10.320654885121346]
  我々は,サンプル外テストデータに対する限られたトレーニングデータを用いて,新しい予測タスクに迅速に適応するフレームワークを開発した。 本モデルでは, 介入による遅延処理効果を学習し, 設計上はマルチタスク予測を自然に処理できる。 我々のモデルは、より広い人口への小型人間研究の一般化を向上するために重要である。
  論文  参考訳（メタデータ） (2022-03-29T17:42:04Z)
• Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization [59.5104563755095]
  本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。 医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
  論文  参考訳（メタデータ） (2020-09-27T12:30:30Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• Adversarial Multi-Source Transfer Learning in Healthcare: Application to Glucose Prediction for Diabetic People [4.17510581764131]
  本稿では,複数のソース間で類似した特徴表現の学習を可能にする多元逆変換学習フレームワークを提案する。 完全畳み込みニューラルネットワークを用いた糖尿病患者の血糖予測にこの考え方を適用した。 特に、異なるデータセットのデータを使用したり、あるいはデータセット内の状況にデータが少ない場合に輝く。
  論文  参考訳（メタデータ） (2020-06-29T11:17:50Z)

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。