論文の概要: Progressive Multi-Source Domain Adaptation for Personalized Facial Expression Recognition

• arxiv url: http://arxiv.org/abs/2504.04252v1
• Date: Sat, 05 Apr 2025 19:14:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-08 14:14:40.715655
• Title: Progressive Multi-Source Domain Adaptation for Personalized Facial Expression Recognition
• Title（参考訳）: パーソナライズされた表情認識のためのプログレッシブ・マルチソース領域適応
• Authors: Muhammad Osama Zeeshan, Marco Pedersoli, Alessandro Lameiras Koerich, Eric Grange,
• Abstract要約: パーソナライズされた表情認識(FER)では、ラベル付きソースとラベルなしターゲットドメインのサンプルを使用して機械学習モデルを適用する。 本稿では,対象者との類似性に基づいて,段階的なMSDA手法を提案する。 実験の結果,痛覚データセットに対する提案手法の有効性が示された: Biovid と UNBC-McMaster。
• 参考スコア（独自算出の注目度）: 51.61979855488214
• License:
• Abstract: Personalized facial expression recognition (FER) involves adapting a machine learning model using samples from labeled sources and unlabeled target domains. Given the challenges of recognizing subtle expressions with considerable interpersonal variability, state-of-the-art unsupervised domain adaptation (UDA) methods focus on the multi-source UDA (MSDA) setting, where each domain corresponds to a specific subject, and improve model accuracy and robustness. However, when adapting to a specific target, the diverse nature of multiple source domains translates to a large shift between source and target data. State-of-the-art MSDA methods for FER address this domain shift by considering all the sources to adapt to the target representations. Nevertheless, adapting to a target subject presents significant challenges due to large distributional differences between source and target domains, often resulting in negative transfer. In addition, integrating all sources simultaneously increases computational costs and causes misalignment with the target. To address these issues, we propose a progressive MSDA approach that gradually introduces information from subjects based on their similarity to the target subject. This will ensure that only the most relevant sources from the target are selected, which helps avoid the negative transfer caused by dissimilar sources. We first exploit the closest sources to reduce the distribution shift with the target and then move towards the furthest while only considering the most relevant sources based on the predetermined threshold. Furthermore, to mitigate catastrophic forgetting caused by the incremental introduction of source subjects, we implemented a density-based memory mechanism that preserves the most relevant historical source samples for adaptation. Our experiments show the effectiveness of our proposed method on pain datasets: Biovid and UNBC-McMaster.
• Abstract（参考訳）: パーソナライズされた表情認識(FER)では、ラベル付きソースとラベルなしターゲットドメインのサンプルを使用して機械学習モデルを適用する。 個人間の多様性がかなり高い微妙な表現を認識するという課題を踏まえ、最先端の非教師なしドメイン適応(UDA)手法は、各ドメインが特定の主題に対応するマルチソース UDA (MSDA) 設定に焦点を当て、モデルの精度とロバスト性を改善する。 しかし、特定のターゲットに適応する場合、複数のソースドメインの多様な性質は、ソースデータとターゲットデータの間に大きなシフトをもたらす。 FERの最先端のMSDAメソッドは、ターゲット表現に適応するすべてのソースを考慮することで、このドメインシフトに対処する。 それでも、対象領域への適応は、ソースドメインとターゲットドメインの間に大きな分布差があり、しばしば負の移動をもたらすため、重大な課題を呈する。 さらに、すべてのソースを統合することで、計算コストが増大し、ターゲットとの整合性が低下する。 これらの課題に対処するために,対象者との類似性に基づいて,段階的に対象者からの情報を取り入れるプログレッシブMSDAアプローチを提案する。 これにより、ターゲットから最も関連性の高いソースのみが選択され、異種ソースによる負の転送を避けることができる。 まず、最寄りのソースを利用して目標の分布シフトを減らし、次に所定の閾値に基づいて最も関連性の高いソースのみを考慮しながら、最下位へ移動する。 さらに,被験者の漸進的な導入による破滅的な忘れを軽減すべく,最も関連性の高い史料を記憶する密度ベース記憶機構を実装した。 実験の結果,痛覚データセットに対する提案手法の有効性が示された: Biovid と UNBC-McMaster。

関連論文リスト

• Subject-Based Domain Adaptation for Facial Expression Recognition [51.10374151948157]
  ディープラーニングモデルを特定の対象個人に適用することは、難しい表情認識タスクである。 本稿では、FERにおける主観的ドメイン適応のための新しいMSDA手法を提案する。 複数の情報源からの情報を効率的に利用して、ディープFERモデルを単一のターゲット個人に適応させる。
  論文  参考訳（メタデータ） (2023-12-09T18:40:37Z)
• 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)
• Learning Unbiased Transferability for Domain Adaptation by Uncertainty Modeling [107.24387363079629]
  ドメイン適応は、ラベル付けされたソースドメインからラベル付けされていない、あるいはラベル付けされていないが関連するターゲットドメインに知識を転送することを目的としています。 ソース内のアノテートされたデータの量とターゲットドメインとの間の不均衡のため、ターゲットの分布のみがソースドメインにアライメントされる。 本稿では,非暴力的非暴力的移動可能性推定プラグイン(UTEP)を提案し,非暴力的移動を最適化するDA法において,識別器の不確実性をモデル化する。
  論文  参考訳（メタデータ） (2022-06-02T21:58:54Z)
• 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)
• Multi-source Domain Adaptation via Weighted Joint Distributions Optimal Transport [35.37752209765114]
  未ラベルのターゲットデータセットに対するドメイン適応に対する新しいアプローチを提案する。 我々は,対象タスクの重み付けを手元に調整することで,ソース分布の多様性を利用する。 Weighted Joint Distribution Optimal Transport (WJDOT) と名付けられた本手法は,ソースとターゲットの分布の最適輸送に基づくアライメントを同時に見つけることを目的としている。
  論文  参考訳（メタデータ） (2020-06-23T12:33:30Z)
• Multi-source Attention for Unsupervised Domain Adaptation [15.900069711477542]
  ソース選択をアテンション学習問題としてモデル化し、特定のターゲットインスタンスのソースに対してアテンションを学習する。 この目的のために、まずソース固有の分類モデルと、ソースとターゲットドメイン間の関連性マップを独立に学習する。 次に、ソース固有のモデルの予測を集約するソースについて、注目度を学習する。
  論文  参考訳（メタデータ） (2020-04-14T15:51:02Z)
• Do We Really Need to Access the Source Data? Source Hypothesis Transfer for Unsupervised Domain Adaptation [102.67010690592011]
  Unsupervised adaptUDA (UDA) は、ラベル付きソースデータセットから学んだ知識を活用して、新しいラベル付きドメインで同様のタスクを解決することを目的としている。 従来のUDAメソッドは、モデルに適応するためには、通常、ソースデータにアクセスする必要がある。 この作業は、訓練済みのソースモデルのみが利用できる実践的な環境に取り組み、ソースデータなしでそのようなモデルを効果的に活用してUDA問題を解決する方法に取り組みます。
  論文  参考訳（メタデータ） (2020-02-20T03:13:58Z)

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。