論文の概要: Synthetic Data Generation of Body Motion Data by Neural Gas Network for Emotion Recognition

• arxiv url: http://arxiv.org/abs/2503.14513v1
• Date: Tue, 11 Mar 2025 13:16:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-23 06:09:52.957170
• Title: Synthetic Data Generation of Body Motion Data by Neural Gas Network for Emotion Recognition
• Title（参考訳）: ニューラルネットワークによる感情認識のための身体運動データの合成データ生成
• Authors: Seyed Muhammad Hossein Mousavi,
• Abstract要約: 本研究では,体の動きデータを合成するためのニューラルネットワーク(NGN)アルゴリズムを新たに導入する。 骨格構造トポロジーを学習することで、NGNは神経細胞やガス粒子を体関節に適合させる。 フレームに体姿勢を付けることで、最終的な合成体の動きが現れる。
• 参考スコア（独自算出の注目度）: 0.9790236766474201
• License:
• Abstract: In the domain of emotion recognition using body motion, the primary challenge lies in the scarcity of diverse and generalizable datasets. Automatic emotion recognition uses machine learning and artificial intelligence techniques to recognize a person's emotional state from various data types, such as text, images, sound, and body motion. Body motion poses unique challenges as many factors, such as age, gender, ethnicity, personality, and illness, affect its appearance, leading to a lack of diverse and robust datasets specifically for emotion recognition. To address this, employing Synthetic Data Generation (SDG) methods, such as Generative Adversarial Networks (GANs) and Variational Auto Encoders (VAEs), offers potential solutions, though these methods are often complex. This research introduces a novel application of the Neural Gas Network (NGN) algorithm for synthesizing body motion data and optimizing diversity and generation speed. By learning skeletal structure topology, the NGN fits the neurons or gas particles on body joints. Generated gas particles, which form the skeletal structure later on, will be used to synthesize the new body posture. By attaching body postures over frames, the final synthetic body motion appears. We compared our generated dataset against others generated by GANs, VAEs, and another benchmark algorithm, using benchmark metrics such as Fr\'echet Inception Distance (FID), Diversity, and a few more. Furthermore, we continued evaluation using classification metrics such as accuracy, precision, recall, and a few others. Joint-related features or kinematic parameters were extracted, and the system assessed model performance against unseen data. Our findings demonstrate that the NGN algorithm produces more realistic and emotionally distinct body motion data and does so with more synthesizing speed than existing methods.
• Abstract（参考訳）: 身体の動きを用いた感情認識の分野において、最大の課題は多様で一般化可能なデータセットの不足にある。 自動感情認識は、機械学習と人工知能技術を使用して、テキスト、画像、音、身体の動きなど、さまざまなデータタイプから人の感情状態を認識する。 身体の動きは、年齢、性別、民族性、人格、病気などの多くの要因が外見に影響を与え、感情認識に特化した多様で堅牢なデータセットが欠如している。 これを解決するために、GAN(Generative Adversarial Networks)やVAE(VAEs)といったSynthetic Data Generation(SDG)メソッドを用いることで、潜在的な解決策が得られるが、これらの手法はしばしば複雑である。 本研究では,体の動きデータを合成し,多様性と生成速度を最適化するニューラルネットワーク(NGN)アルゴリズムを新たに導入する。 骨格構造トポロジーを学習することで、NGNは神経細胞やガス粒子を体関節に適合させる。 後から骨格構造を形成するガス粒子は、新しい体の姿勢を合成するために使用される。 フレームに体姿勢を付けることで、最終的な合成体の動きが現れる。 生成したデータセットを、Fr\echet Inception Distance(FID)やDiversityなどのベンチマークメトリクスを使用して、GAN、VAE、その他のベンチマークアルゴリズムによって生成された他のデータセットと比較した。 さらに,精度,精度,リコールなどの分類指標を用いた評価を継続した。 連接関係の特徴や運動パラメータを抽出し,未知のデータに対してモデル性能を評価した。 以上の結果から,NGNアルゴリズムはより現実的で感情的に異なる身体動作データを生成し,既存の手法よりも高速に合成できることが示唆された。

関連論文リスト

• Synthetic Data Generation by Supervised Neural Gas Network for Physiological Emotion Recognition Data [0.0]
  本研究では,SNG(Supervised Neural Gas)ネットワークを用いた合成データ生成の革新的アプローチを提案する。 SNGは入力データを効率的に処理し、元のデータ分布を忠実に模倣する合成インスタンスを作成する。
  論文  参考訳（メタデータ） (2025-01-19T15:34:05Z)
• Exploring the Impact of Synthetic Data on Human Gesture Recognition Tasks Using GANs [0.0]
  本研究は、GAN(Generative Adversarial Networks)を用いたウェアラブルIoTデバイスデータからアレルギー性鼻炎に対するモーションジェスチャの合成の可能性について、初めて検討したものである。 これらのAIモデルのパフォーマンスも、忠実さ、多様性、プライバシの観点から重視しています。
  論文  参考訳（メタデータ） (2024-12-09T11:15:47Z)
• Scaling Up Dynamic Human-Scene Interaction Modeling [58.032368564071895]
  TRUMANSは、現在利用可能な最も包括的なモーションキャプチャーHSIデータセットである。 人体全体の動きや部分レベルの物体の動きを複雑に捉えます。 本研究では,任意の長さのHSI配列を効率的に生成する拡散型自己回帰モデルを提案する。
  論文  参考訳（メタデータ） (2024-03-13T15:45:04Z)
• DiffuseBot: Breeding Soft Robots With Physics-Augmented Generative Diffusion Models [102.13968267347553]
  本稿では,様々なタスクにおいて優れたソフトロボット形態を生成する物理拡張拡散モデルであるDiffuseBotを提案する。 我々は、その能力とともに、シミュレーションされた、そして製造された様々なロボットを紹介します。
  論文  参考訳（メタデータ） (2023-11-28T18:58:48Z)
• Synthetic-to-Real Domain Adaptation for Action Recognition: A Dataset and Baseline Performances [76.34037366117234]
  ロボット制御ジェスチャー(RoCoG-v2)と呼ばれる新しいデータセットを導入する。 データセットは7つのジェスチャークラスの実ビデオと合成ビデオの両方で構成されている。 我々は,最先端の行動認識とドメイン適応アルゴリズムを用いて結果を示す。
  論文  参考訳（メタデータ） (2023-03-17T23:23:55Z)
• Reconfigurable Data Glove for Reconstructing Physical and Virtual Grasps [100.72245315180433]
  本研究では,人間の手-物体相互作用の異なるモードを捉えるために,再構成可能なデータグローブの設計を提案する。 グローブは3つのモードで動作し、異なる特徴を持つ様々な下流タスクを実行する。 i)手の動きと関連力を記録し,(ii)VRの操作流速を改善するとともに,(iii)様々なツールの現実的なシミュレーション効果を生み出すことにより,システムの3つのモードを評価する。
  論文  参考訳（メタデータ） (2023-01-14T05:35:50Z)
• Graph Neural Networks with Trainable Adjacency Matrices for Fault Diagnosis on Multivariate Sensor Data [69.25738064847175]
  各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。 グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。 グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2022-10-20T11:03:21Z)
• Generative Adversarial Graph Convolutional Networks for Human Action Synthesis [3.0664963196464448]
  本研究では,人体の運動学を合成する新しいアーキテクチャであるKineetic-GANを提案する。 提案した敵対的アーキテクチャは、局所的およびグローバルな身体運動に対して最大120の異なる動作を条件付けることができる。 実験は3つのよく知られたデータセットで実施された。
  論文  参考訳（メタデータ） (2021-10-21T15:01:32Z)
• Object recognition for robotics from tactile time series data utilising different neural network architectures [0.0]
  本稿では,コンボリューショナルニューラルネットワーク(CNN)とLong-Short Term Memory(LSTM)ニューラルネットワークアーキテクチャを用いて,触覚データに基づくオブジェクト分類を行う。 我々は,2種類の指先センサ(BioTac SPとWTS-FT)のデータを用いて,これらの手法を比較した。 提案手法は,全時系列データを用いた最大精度を82.4% (BioTac SP fingertips) と90.7% (WTS-FT fingertips) から約94% に改善した。
  論文  参考訳（メタデータ） (2021-09-09T22:05:45Z)
• Synthesizing Skeletal Motion and Physiological Signals as a Function of a Virtual Human's Actions and Emotions [10.59409233835301]
  本研究では, 同期運動, 心電図, 血圧, 呼吸, 皮膚伝導信号の計算モデルからなるシステムを開発した。 提案されたフレームワークはモジュール化されており、柔軟性によってさまざまなモデルを試すことができる。 ラウンド・ザ・タイム・モニタリングのためのML研究を低コストで行うことに加えて、提案されたフレームワークはコードとデータの再利用を可能にする。
  論文  参考訳（メタデータ） (2021-02-08T21:56:15Z)
• Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
  本稿では,機械学習のフレームワークとモデルの実装について紹介する。 グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。 我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T16:44:28Z)

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。