„Architectural Tricks for Deep Learning in Remote Photoplethysmography“ – ein Bericht vom SketchAR-Team auf der ICCV 2019 in Seoul, Korea.
Im November nahm das SketchAR-Team an einer der weltweit führenden Computer-Vision-Konferenzen teil – der ICCV (IEEE International Conference of Computer Vision).
Die Konferenz brachte die besten Forscher aus aller Welt zusammen. Es wurden über 1000 wissenschaftliche Paper vorgestellt, darunter bahnbrechende Methoden aus zahlreichen sich schnell entwickelnden Bereichen wie Generative Adversarial Nets (GANs), Domain Adaptation, Zero-Shot Learning und anderen.
Die SketchAR-Entwickler Mikhail Kopeliovich und Mikhail Petrushan stellten ihr Paper zur kamerabasierten Herzfrequenzmessung vor: „Architectural Tricks for Deep Learning in Remote Photoplethysmography.“ Darin schlagen sie fortschrittliche Techniken vor, die sich in Deep-Learning-Architekturen integrieren lassen und deren Genauigkeit erhöhen.
Abstract
Es werden architektonische Verbesserungen für ein Convolutional Network untersucht, das Herzfrequenzwerte (HR) anhand von Farbsignal-Patches schätzt. Farbsignale sind Zeitreihen von Farbkomponenten, die über Gesichtsregionen gemittelt und von Webcams in zwei Szenarien aufgezeichnet werden: Stationary (ohne Bewegung der Person) und Mixed Motion (unterschiedliche Bewegungsmuster der Person). Das Problem der HR-Schätzung wird als Klassifikationsaufgabe behandelt, wobei die Klassen unterschiedlichen Herzfrequenzwerten innerhalb des zulässigen Bereichs von [40; 125] bpm entsprechen. Beide Ansätze fügen nach den vollständig verbundenen Schichten Convolutional-Filterschichten hinzu und verwenden eine kombinierte Verlustfunktion. Die erste Komponente ist eine Kreuzentropie, die zweite ein quadratischer Fehler zwischen der Netzwerkausgabe und einem geglätteten One-Hot-Vektor – dies führt zu einer besseren Leistung des HR-Schätzmodells sowohl im Stationary- als auch im Mixed-Motion-Szenario.
Mehr über den Ansatz erfahren Sie hier.
Schreibt uns gerne unter hi(a)sketchar.tech
Euer,
SketchAR-Team
