論文の概要: Beyond Contact Sensors: Deep learning with Pseudo-Labeling for remote Photoplethysmography

• arxiv url: http://arxiv.org/abs/2609.10026v1
• Date: Wed, 09 Sep 2026 11:00:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.997184
• Title: Beyond Contact Sensors: Deep learning with Pseudo-Labeling for remote Photoplethysmography
• Title（参考訳）: Beyond Contact Sensors: リモート光胸腺撮影のための擬似ラベルによる深層学習
• Abstract要約: 深層学習法は、ビデオと接点センサーを介して収集された地上の真実信号とを正確に同期したデータセットに依存する。 本研究では,教師なし信号処理法を用いて抽出した擬似ラベルが,深層学習法を訓練するための接触センサラベルを置き換えることができる状況について検討する。
• 参考スコア（独自算出の注目度）: 6.466389033890039
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Heart rate is a critical biomarker of health, and remote photoplethysmography (rPPG) enables its contactless estimation from video data for telemedicine applications. Recent advancements in deep learning based rPPG methods achieve state-of-the-art results, outperforming classical signal-processing methods in complex scenarios. However, deep learning methods depend on datasets with precise synchronization between videos and ground truth signals collected via contact sensors, whereas signal-processing-based methods do not. To address this dependence on labeled datasets, which are labor-intensive to collect, we investigate under which circumstances pseudo-labels extracted using unsupervised signal-processing methods can replace contact sensors labels for training deep learning methods. Our systematic evaluations found that for datasets with imperfect synchronization, the pseudo-label approach outperforms supervised training on contact sensors. For datasets with good synchronization, results are mixed: within-dataset evaluation shows no significant difference between training methods, while cross-dataset evaluation favors supervised training. However, removing a single outlier participant significantly improves the pseudo-label approach's cross-dataset performance, highlighting the importance of label quality. These results demonstrate that signal-processing methods can generate valid training signals for deep learning models, reducing dependency on labor-intensive dataset collection while maintaining competitive performance.
• Abstract（参考訳）: 心拍数は健康にとって重要なバイオマーカーであり、遠隔胸腔造影(rPPG)は遠隔医療応用のためのビデオデータから接触のない推定を可能にする。 近年のディープラーニングに基づくrPPG法の進歩は、複雑なシナリオにおける古典的な信号処理方法よりも優れた、最先端の結果をもたらす。 しかし、深層学習法は、ビデオと接点センサを介して収集された地上の真理信号とを正確に同期したデータセットに依存するが、信号処理に基づく手法はそうではない。 そこで我々は, 教師なし信号処理手法を用いて抽出した擬似ラベルが, ディープラーニング法を訓練するための接触センサラベルを置き換えることができる状況について検討した。 システム評価の結果,不完全同期データセットの場合,擬似ラベルアプローチは接触センサによる教師付きトレーニングよりも優れていた。 データセット内評価ではトレーニング方法に有意な差は見られず,クロスデータセット評価では教師付きトレーニングが好まれる。 しかし,1つのアウトレーヤの参加者を排除することで,擬似ラベル手法のクロスデータセット性能が大幅に向上し,ラベル品質の重要性が強調される。 これらの結果は,信号処理手法が深層学習モデルに有効なトレーニング信号を生成することを実証し,競争性能を維持しつつ,労働集約的なデータセット収集への依存を低減できることを示した。

関連論文リスト

• Learning Earthquake Wave Arrival Time Picking from Labels with Inaccuracies [8.266165519157926]
  不正確なラベル付きトレーニングデータ、「ラベルノイズ」は、教師付き機械学習モデルの完全性に重大な脅威をもたらす。 本稿では, 地震信号処理タスクにおいて, 雑音ラベルを効果的に処理できるラベルノイズコントラストロバスト学習(LaNCoR)手法を提案する。 以上の結果から,LaNCoRはパフォーマンス指標で最大28.8%パフォーマンスを改善することが可能であることが示唆された。
  論文  参考訳（メタデータ） (2026-06-13T16:15:46Z)
• Using Explainability as a Training-Time Reliability Signal for Efficient ECG Classification [14.279568423870572]
  本稿では、効率的なECG分類のための説明可能性に基づく信頼性訓練信号ERTSを紹介する。 ERTSは、情報的不確実性と信頼できない不確実性を区別するために、トレーニング中に説明品質を使用する。 3つのECGデータセットと複数のバックボーンアーキテクチャにまたがるERTSを評価し,有効トレーニングコストの削減とともにマクロF1の改善が一貫したことを示す。
  論文  参考訳（メタデータ） (2026-06-10T15:55:00Z)
• On Revisiting Entropy for Identifying Mislabeled Images [21.219096729721816]
  そこで本研究では,トレーニングダイナミクスを利用したラベルミス検出手法を提案する。 我々は,予測エントロピーの規模と時間的傾向の両方を捉える符号付きエントロピー積分 (SEI) 統計学を導入する。 本報告では,SEIが従来の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2026-05-29T09:59:32Z)
• A Label-Free High-Precision Residual Moveout Picking Method for Travel Time Tomography based on Deep Learning [7.081408406139507]
  残留移動(Residual moveout、RMO)は、旅行時間トモグラフィーに重要な情報を提供する。 現在の分析手法は、局所的な塩分化を正確に捉えていない。 抽出のための教師付き学習ベース画像分割法は,局所的な変化を効果的に捉えることができる。
  論文  参考訳（メタデータ） (2025-03-08T03:27:55Z)
• Incremental Self-training for Semi-supervised Learning [56.57057576885672]
  ISTは単純だが有効であり、既存の自己学習に基づく半教師あり学習手法に適合する。 提案したISTを5つのデータセットと2種類のバックボーンで検証し,認識精度と学習速度を効果的に向上させる。
  論文  参考訳（メタデータ） (2024-04-14T05:02:00Z)
• Boosting Facial Expression Recognition by A Semi-Supervised Progressive Teacher [54.50747989860957]
  本稿では,信頼度の高いFERデータセットと大規模未ラベル表現画像を有効訓練に用いるための半教師付き学習アルゴリズム,Progressive Teacher (PT)を提案する。 RAF-DB と FERPlus を用いた実験により,RAF-DB で89.57% の精度で最先端の性能を実現する手法の有効性が検証された。
  論文  参考訳（メタデータ） (2022-05-28T07:47:53Z)
• Incorporating Semi-Supervised and Positive-Unlabeled Learning for Boosting Full Reference Image Quality Assessment [73.61888777504377]
  フル参照(FR)画像品質評価(IQA)は、その知覚的差異をプリズム品質基準で測定することにより、歪み画像の視覚的品質を評価する。 ラベルなしデータは、画像劣化または復元プロセスから容易に収集することができ、ラベルなしのトレーニングデータを利用してFR-IQA性能を高めることを奨励する。 本稿では, 半教師付き, 正の未ラベル学習(PU)を用いて, ラベルなしデータを活用し, オフレーヤの悪影響を軽減することを提案する。
  論文  参考訳（メタデータ） (2022-04-19T09:10:06Z)
• Semi-supervised Long-tailed Recognition using Alternate Sampling [95.93760490301395]
  ロングテール認識の主な課題は、データ分布の不均衡とテールクラスにおけるサンプル不足である。 半教師付き長尾認識という新しい認識設定を提案する。 2つのデータセットで、他の競合方法よりも大幅な精度向上を実証します。
  論文  参考訳（メタデータ） (2021-05-01T00:43:38Z)
• Semi-supervised Relation Extraction via Incremental Meta Self-Training [56.633441255756075]
  半教師付き関係抽出法は,限られたサンプルからの学習に加え,ラベルのないデータを活用することを目的としている。 既存の自己学習手法は段階的なドリフト問題に悩まされ、未ラベルデータにノイズのある擬似ラベルが組み込まれている。 本稿では,リレーショナルラベル生成ネットワークが,メタオブジェクトとしてリレーショナル分類ネットワークを成功・失敗に導くことによって,擬似ラベルの品質評価を生成するメタSREという手法を提案する。
  論文  参考訳（メタデータ） (2020-10-06T03:54:11Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)

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。