論文の概要: Toward Reliable Infant Pose Estimation: A Training-Dynamics Approach to Noisy Annotation Detection

• arxiv url: http://arxiv.org/abs/2610.06423v1
• Date: Mon, 05 Oct 2026 14:35:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 08:26:36.555204
• Title: Toward Reliable Infant Pose Estimation: A Training-Dynamics Approach to Noisy Annotation Detection
• Title（参考訳）: 乳幼児の信頼度推定に向けて:ノイズアノテーション検出のためのトレーニング-動的アプローチ
• Abstract要約: ノイズの多いキーポイントアノテーションを検出するための新しいフレームワークを提案する。 乳幼児65名を対象に,新たに収集したNeoPoseについて検討した。 その結果,提案手法はノイズキーポイント検出において最大91.9%のF1スコアを達成することがわかった。
• 参考スコア（独自算出の注目度）: 42.66787291692859
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spontaneous movement analysis in preterm infants relies increasingly on markerless pose estimation (PE) to derive clinically relevant motion biomarkers directly from video recordings. Training accurate infant PE models requires large sets of manually annotated keypoints, and human annotation is inherently prone to error. Noisy keypoints (i.e., keypoints mislocalized with respect to their true anatomical position) are especially problematic in this clinical setting, since they can propagate as artificial artifacts into the reconstructed joint trajectories. Building on the small-loss hypothesis and training-dynamics-based sample selection established in the noisy-label learning literature, we propose a novel framework for detecting noisy keypoint annotations. A hybrid convolutional-attention model is trained to predict the anatomical category of each keypoint from its spatial coordinates and local visual features; the resulting cross-entropy training dynamics are then used to derive per-keypoint descriptors, which are partitioned into clean and noisy subsets via unsupervised clustering. We validate the approach on NeoPose, a newly collected dataset of 65 hospitalized preterm infants, under two realistic noise scenarios (random positional perturbation and left-right swapping) across multiple noise levels. Results show that the proposed approach achieves an F1-score of up to 91.9% in noisy-keypoint detection. The framework further generalizes to the heterogeneous COCO benchmark, where filtering CE-detected noisy keypoints from the training set also yields measurable improvements (up to 7.4 AP points) in downstream pose estimation accuracy at moderate-to-high noise levels.
• Abstract（参考訳）: 乳幼児の自発運動分析は、ビデオ記録から直接、臨床的に関連するモーションバイオマーカーを導き出すために、マーカーレスポーズ推定(PE)にますます依存している。 正確な幼児PEモデルのトレーニングには、手動で注釈付けされたキーポイントのセットが必要であり、人間のアノテーションは本質的にエラーを起こしやすい。 ノイズの多いキーポイント(すなわち、真の解剖学的位置に関して非局在化されたキーポイント)は、人工的な人工物として再構成された関節軌道に伝播できるため、この臨床環境で特に問題となる。 雑音ラベル学習文献で確立された低損失仮説とトレーニング力学に基づくサンプル選択に基づいて,雑音の多いキーポイントアノテーションを検出するための新しいフレームワークを提案する。 各キーポイントの解剖的カテゴリを,その空間座標と局所的な視覚的特徴から予測するために,ハイブリッド畳み込みアテンションモデルをトレーニングし,結果として得られるクロスエントロピートレーニングダイナミクスを用いてキーポイント単位のディスクリプタを導出する。 乳幼児65名を対象に,複数の騒音レベルにまたがる2つの現実的ノイズシナリオ(ランダムな位置摂動と左右の切り替え)を新たに収集したNeoPoseに対するアプローチを検証した。 その結果,提案手法はノイズキーポイント検出において最大91.9%のF1スコアを達成することがわかった。 このフレームワークは不均一なCOCOベンチマークをさらに一般化し、トレーニングセットからCE検出されたノイズキーポイントをフィルタリングすることで、下流の低レベルから高レベルのノイズレベルのポーズ推定精度で測定可能な改善(最大7.4APポイント)がもたらされる。

関連論文リスト

• The Blind Spot in 2D Infants' Pose Estimation:Robust Learning from Noisy Annotations [38.34449228893743]
  ニューラルネットワークは大規模で高品質なラベル付きデータに依存しているため、ノイズの多いアノテーションは教師付きディープラーニングにとって大きな課題となる。 REMINDは、ノイズ分布の事前知識を仮定することなく、キーポイントワイズトレーニングダイナミクスを利用してノイズラベルを識別する。 REMINDは、複数の汚職シナリオにまたがるノイズの多いアノテーションを正しく識別し、Curveで最大93%のエリアを達成します。
  論文  参考訳（メタデータ） (2026-09-03T15:47:56Z)
• Combating Noisy Labels through Fostering Self- and Neighbor-Consistency [120.4394402099635]
  ラベルノイズは様々な現実世界のシナリオで広まり、教師付きディープラーニングの課題を提起する。 我々は、Jo-SNC(textbfSelf- と textbfNeighbor-textbfConsistency に基づくサンプル選択とモデル正規化)というノイズロバスト手法を提案する。 我々は、クラスごとの選択閾値を調整するための自己適応型データ駆動しきい値設定方式を設計する。
  論文  参考訳（メタデータ） (2026-01-19T07:55:29Z)
• Skeleton-Based Human Action Recognition with Noisy Labels [43.58994208412764]
  ラベルノイズはモデルのトレーニングに悪影響を及ぼし、認識品質が低下する。 NoiseEraSARは、グローバルなサンプル選択、コティーチング、クロスモーダル・ミックス・オブ・エキスパート戦略を統合している。 提案手法は,確立されたベンチマークの性能向上を実証し,新しい最先端標準を設定した。
  論文  参考訳（メタデータ） (2024-03-15T02:42:28Z)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• Learning with Noisy Labels through Learnable Weighting and Centroid Similarity [5.187216033152917]
  ノイズラベルは、医学診断や自律運転などの領域で一般的である。 本稿では,雑音ラベルの存在下で機械学習モデルを訓練するための新しい手法を提案する。 以上の結果から,本手法は既存の最先端技術よりも一貫して優れていることがわかった。
  論文  参考訳（メタデータ） (2023-03-16T16:43:24Z)
• Latent Class-Conditional Noise Model [54.56899309997246]
  本稿では,ベイズ的枠組みの下での雑音遷移をパラメータ化するためのLatent Class-Conditional Noise Model (LCCN)を提案する。 次に、Gibs sampler を用いて遅延真のラベルを効率的に推測できる LCCN の動的ラベル回帰法を導出する。 提案手法は,サンプルのミニバッチから事前の任意チューニングを回避するため,ノイズ遷移の安定な更新を保護している。
  論文  参考訳（メタデータ） (2023-02-19T15:24:37Z)
• Neighborhood Collective Estimation for Noisy Label Identification and Correction [92.20697827784426]
  ノイズラベルを用いた学習(LNL)は,ノイズラベルに対するモデルオーバーフィットの効果を軽減し,モデル性能と一般化を改善するための戦略を設計することを目的としている。 近年の進歩は、個々のサンプルのラベル分布を予測し、ノイズ検証とノイズラベル補正を行い、容易に確認バイアスを生じさせる。 提案手法では, 候補サンプルの予測信頼性を, 特徴空間近傍と対比することにより再推定する。
  論文  参考訳（メタデータ） (2022-08-05T14:47:22Z)
• Towards Robustness to Label Noise in Text Classification via Noise Modeling [7.863638253070439]
  NLPの大規模なデータセットは、誤った自動および人間のアノテーション手順のために、ノイズの多いラベルに悩まされる。 本稿では,ラベルノイズを用いたテキスト分類の問題について検討し,分類器上での補助雑音モデルを用いてこのノイズを捉えることを目的とする。
  論文  参考訳（メタデータ） (2021-01-27T05:41:57Z)
• Simultaneous Denoising and Dereverberation Using Deep Embedding Features [64.58693911070228]
  ディープ埋め込み特徴を用いた同時発声・発声同時学習法を提案する。 ノイズ発生段階では、DCネットワークを利用してノイズのないディープ埋込み特性を抽出する。 残響段階では、教師なしのK平均クラスタリングアルゴリズムの代わりに、別のニューラルネットワークを用いて無響音声を推定する。
  論文  参考訳（メタデータ） (2020-04-06T06:34:01Z)

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。