【论文翻译】DANN的改进ADDA Multimodal Vigilance Estimation with Adversarial Domain Adaptation Networks
【论文翻译】DANN的改进ADDA: Multimodal Vigilance Estimation with Adversarial Domain Adaptation Networks
- 1.研究背景和目的
- 2.域适应方法(DOMAIN ADAPTATION METHODS)
- 2.1basic idea
- 2.2传统方法
- 2.3对抗网络方法(Adversarial Network Methods)
- 3.数据以及预处理
- 4.域适应结果和讨论
- 4.1域适应设置(实验设置)
- 4.2实验结果
会议论文:2018 International Joint Conference on Neural Networks (IJCNN)
论文作者:上海交通大学bllu
论文链接:http://bcmi.sjtu.edu.cn/~zhengweilong/pdf/ijcnn2018_li.pdf
作者讲解:https://www.bilibili.com/video/BV1XK411p7Pd?p=4 (直接空降到63:30)
1.研究背景和目的
驾驶过程中的警惕性估计对于预防交通事故至关重要。已经提出了许多用于警戒性估计的方法。但是,大多数方法都需要收集特定于受试者的标记数据以进行校准,这对于实际应用而言是高成本的。
为了解决此问题,可以使用域自适应方法来对齐源主题特征(源域)和新主题特征(目标域)的分布。通过重用其他主题的现有数据,不需要新的主题标签数据即可训练模型。
在本文中,我们的目标是将对抗性领域适应网络应用于跨学科警戒估计。我们采用两种最近提出的对抗域自适应网络,并将它们的性能与几种传统域自适应方法和没有域自适应的基线进行比较。
使用公开可用的数据集SEED-VIG评估方法。该数据集包括脑电图(EEG)和眼电图(EOG)信号,以及在模拟驾驶过程中的相应警戒级别注释。与基线相比,两个对抗域适应网络的皮尔逊相关系数均提高了10%以上。此外,这两种方法都大大优于传统的域自适应方法。索引词-对抗网络,域适应,脑电图(EEG),眼电图(EOG),警惕性估计
2.域适应方法(DOMAIN ADAPTATION METHODS)
2.1basic idea
一般P(Xs) 不等于 P(Xt)
需要找到一个合适的函数φ(·)使得P(φ(Xs)) ≈ P(φ(Xt))
2.2传统方法
- Geodesic Flow Kernel (GFK)
- Subspace Alignment (SA)
- Transfer Component Analysis (TCA)
- Maximum Independence Domain Adaptation (MIDA)
2.3对抗网络方法(Adversarial Network Methods)
这里介绍两种对抗域适应网络。
Domain-Adversarial Neural Network (DANN)
该模型可以分为三个部分,一个特征提取器Gf,一个标签预测器Gy,以及一个域分类器Gd .在特征提取器和与分类器中存在一个对抗的关系。
特征提取器从输入的特征中提取提取新的特征。把这个新的特征输入到标签预测器和与分类器中分别预测每一个样本的标签和每一个样本的域。
更新的规则:
通过这个对抗的机制使得特征提取器能够提取域不变的特征,从而能够使域偏移能被消除。Adversarial Discriminative Domain Adaptation (ADDA)
ADDA与DANN类似,也可以分为三个部分,但是其中的特征提取器有两个,一个用于源域Gf0另一个用于目标域Gf1。
该模型训练分为两个阶段。在第一阶段用源数据训练Gf0和标签预测器Gy,预测的损失函数最小化。在此阶段训练后Gf0和Gy的参数会固定。在第二阶段Gf1会用Gf0的值初始化。之后Gf1和Gd会进行对抗式的训练,Gd会判别输入特征是源数据还是目标数据。因此,在训练之后,特征提取器Gf1将目标域数据的分布与源域数据的分布对齐。
3.数据以及预处理
【略】SEED-VIG ,23个人
特征融合和平滑度:为了利用多峰特征,通过融合36个EOG特征和100个EEG特征来应用特征融合。因此,为每个时期生成了136维特征向量。此后,为了减少伪影的影响,使用移动平均算法以30的窗口大小对特征向量进行了顺次平滑处理。
4.域适应结果和讨论
4.1域适应设置(实验设置)
为 23 个主题中每个对象提取了 885 个feature vectors。每个特征向量都附有对应的警戒注释(标签)。我们现在的目标是在不同的主题之间进行域适应。应用"leave-one- subject-out "交叉验证算法,这意味着对于每个域自适应方法,有一些运行,并且对于每个运行对象中的数据,从其中一个主题的数据被视为目标域,而其他主题的数据被视为源域。
第二节中介绍的所有领域适应方法都采用。此外,基线结果是通过直接使用要素获得的,无需任何域调整。对于传统的域自适应方法和基线方法,线性内核支持向量回归(SVR)算法[33]用于回归器。对于 TCA 和 MIDA,采用非监督版本和半监督版本。
由于 TCA、SA、GFK 和 ADDA 不能直接应用于多个源域,因此所有源域数据(即 22 个主题的数据)都作为一个源域的数据串联到这些方法的数据。
(MLP) 用于对抗域适应网络中的特征提取器、标签预测器和域分类器。两个对抗域适应网络的结构如图 3 所示。
Adam 优化器被采用用于网络训练,以获得更快的融合。我们对一些预定义的值集执行对超参数的随机搜索。对于每种方法,使用留一主题出交叉验证算法对超参数设置进行评估,并选择最佳设置生成最终结果。
4.2实验结果
评估指标皮尔森相关系数PCC和RMSE。
源域和目标域的分布。
【论文翻译】DANN的改进ADDA Multimodal Vigilance Estimation with Adversarial Domain Adaptation Networks相关推荐
- AlexNet论文翻译(中英文对照版)-ImageNet Classification with Deep Convolutional Neural Networks
图像分类经典论文翻译汇总:[翻译汇总] 翻译pdf文件下载:[下载地址] 此版为中英文对照版,纯中文版请稳步:[AlexNet纯中文版] ImageNet Classification with De ...
- 【论文翻译】Few-Shot Object Detection and Viewpoint Estimation for Objects in the Wild
Few-Shot Object Detection and Viewpoint Estimation for Objects in the Wild 野外目标的小样本目标检测与视点估计 论文地址:ht ...
- 论文翻译:2019_Bandwidth Extension On Raw Audio Via Generative Adversarial Networks
论文地址:原始音频的带宽扩展通过生成对抗网络 博客作者:凌逆战 博客地址:https://www.cnblogs.com/LXP-Never/p/10661950.html 摘要 基于神经网络的方法最 ...
- 论文翻译:Learning to Discover Cross-Domain Relations with Generative Adversarial Networks(适合国人习惯)
摘要 尽管人们无需任何监督就可以轻松识别来自不同域的数据之间的关系,但是学会自动发现它们通常是非常具有挑战性的,并且需要许多对的事实来说明这种关系.为了避免昂贵的配对,我们解决了在未配对数据的情况下发 ...
- 最优传输论文(六十四):Gradually Vanishing Bridge for Adversarial Domain Adaptation论文原理
文章目录 前言 摘要 1. Introduction 2.相关工作 3. Method 3.1. Adversarial Domain Adaptation 3.2. Gradually Vanish ...
- Image Translation for Medical Image Generation Ischemic Stroke Lesion Segmentation——论文翻译
摘要 基于深度学习的疾病检测和分割算法有望改善许多临床过程.然而,此类算法需要大量带注释的训练数据,而由于数据隐私.法律障碍和非统一的数据获取协议,这些数据通常在医疗环境中不可用.带有注释病理的合 ...
- [论文翻译]数据集的domian问题:Intramodality Domain Adaptation Using Self Ensembling and Adversarial Training
论文pdf下载: 链接 Intramodality Domain Adaptation Using Self Ensembling and Adversarial Training 使用自集成和对抗性 ...
- Domain Adaptation(领域自适应,MMD,DANN)
Domain Adaptation 现有深度学习模型都不具有普适性,即在某个数据集上训练的结果只能在某个领域中有效,而很难迁移到其他的场景中,因此出现了迁移学习这一领域.其目标就是将原数据域(源域,s ...
- 论文笔记:An Adaptive Feature Norm Approach for Unsupervised Domain Adaptation
论文链接 最近把毕业论文的题目确定了,这个专栏专门放相关论文的阅读笔记,个人理解可能有限,欢迎大家指正! 标题理解 阅读论文之前,首先对标题进行一定的理解,才能更好的理解论文的内容. 论文完整标题为: ...
最新文章
- Eddy的难题_JAVA
- wumpus java_人工智能经典问题The Wumpus World-简明窗体小游戏
- 为什么声明性编码使您成为更好的程序员
- MongoDB:有人敢像我一样说出开源的真实用意吗?
- ue4 网络代码分析
- python压缩视频文件_python压缩图片和视频
- 简单的转盘抽奖html,一个很简单的H5的转盘抽奖的(主要用的是css3的属性)
- QQ 第三方登录知识点总结
- Windows 中的 UAC 用户账户控制
- Python实现给一个不多于5位的正整数,求它是几位数,逆序打印这个数字
- C++中rand()函数的用法
- 移动无线网卡服务器,贵阳移动无线网卡月租
- 武汉大学计算机技术上机难度,武汉大学计算机技术(专业学位)考研难不难和研究生专业好不好...
- 全国计算机二级vb 文库,全国计算机二级考试VB题目
- jvm 性能调优工具之 jcmd
- SQL-基础 约束(添加-删除外键)
- 基于多元宇宙优化算法的无线传感器网络覆盖优化
- 条件转移指令(Transfer Conditionally)
- Vue 三种带文字分割线实现方式
- PPC挑战上网本 多普达Touch HD使用评测