解决通用远程生理测量中的领域冲突
本文提出了一种利用远程光电容积图术(rPPG)任务中的显性和隐性先验知识的新框架,通过系统分析不同领域的噪声源,并将这些先验知识纳入网络进行训练,同时利用两个分支网络通过隐式标签相关性去除噪声并提取生理特征分布,我们的实验证明,该方法不仅在 RGB 跨数据集评估上胜过现有方法,而且能够很好地从 RGB 数据集泛化到 NIR 数据集。
Mar, 2024
通过模型相似性来衡量领域偏移的指标可用作领域偏移的度量,并且我们展示了这些指标与实际性能之间的高相关性。其中一项具有可行相关性的提议指标为 DS-diff,不需要假设对目标领域的基本事实,即可应用于自然环境数据。因此,我们研究了一个模型选择问题,在该问题中,无法获得评估领域的基本事实结果,并且相对于平均情况基准线,性能提高了 13.9%。
Apr, 2024
通过多个低秩专家的混合模型和新型路由机制,设计了一种适应于多任务远程生理测量的模型(PhysMLE),并引入了生理学中的先验知识以克服实际多任务生理测量中标签空间不平衡的问题。运用提出的多源语序域泛化(MSSDG)协议进行了充分的实验和评估,证明了 PhysMLE 的有效性和效率。
May, 2024
研究表明,当前基于深度学习的 Remote Photoplethysmography (rPPG) 模型倾向于学习训练数据集中的脉搏波特征,作者提出的一种扩充训练数据集范围和变化性的方法成功缓解了这种倾向,进一步提高了模型的泛化能力。
May, 2023
本文提出了两种对非接触式心率估计中长度和面部运动造成的误差进行修正的方法,并且使用一个双流双分辨率框架来训练模型以学习稳健的面部信号特征,实验证明了所提出方法的优越性。
Nov, 2022
本文介绍了一种远程面部信号分析的新方法,应用了神经网络和自监督训练进行无监督学习,利用对感兴趣信号的弱先验建模,并成功在四个数据集上进行测试,证明了该方法的可行性和效果。
Nov, 2021
本文研究了远程光电容积脉搏图 (rPPG) 的可重复性问题。建立了一个含有大量被试的、公开的数据库,并选择了三种发表在文献中最前沿的 rPPG 算法作为开放源代码软件进行实现和发布。通过在各种设置下的深入、公正的实验评估,发现没有一种选定的算法具有足够的精度用于现实世界中。
Sep, 2017
本文介绍了一种名为 NEST 的基于神经元结构建模的无领域标签方法,用于解决远程光电容积脉搏 (rPPG) 测量任务中的领域转移问题,并在多个数据集的测试中表现出优异的通用性能。
Mar, 2023
本论文提出了一种交叉验证的特征分离策略,以获得与非生理特征分离的生理特征,并使用提取出的生理特征进行多任务生理测量,该方法在多个公共数据集上进行了综合实验,表现出了较好的鲁棒性。
Jul, 2020
本文提出了一种无监督的远程光学脉搏测量方法,利用 3D 卷积神经网络模型以及对比损失训练模型,可以在不需要参照信号的情况下提高精度,并可以更快地运行且更耐噪音。
Aug, 2022