用于视频中疼痛定位的深度弱监督域自适应方法
计算机视觉与模式识别
2024-07-09 v3
摘要
自动疼痛评估对于无法表达其疼痛体验的人群具有重要的潜在诊断价值。作为引发疼痛表达事件的主导性非语言通道之一，面部表情已被广泛研究用于估计个体的疼痛强度。然而，在真实世界疼痛估计应用中使用最先进的深度学习（DL）模型带来了若干挑战，涉及面部表情的主观差异、实际采集条件以及缺乏带标签的代表性训练视频。鉴于为每一视频帧标注强度级别的成本，我们提出了一种弱监督域自适应（WSDA）技术，允许使用弱标签视频（标签按周期提供）训练 3D CNN 进行时空疼痛强度估计。具体而言，WSDA 将多示例学习集成到对抗深度域自适应框架中以训练一个膨胀 3D-CNN（I3D）模型，从而使其能在目标运行域中准确估计疼痛强度。训练过程依赖于弱目标损失，以及用于 I3D 模型域自适应的域损失和源损失。使用带标签的源域 RECOLA 视频和弱标签目标域 UNBC-McMaster 视频获得的实验结果表明，所提出的深度 WSDA 方法可比相关最先进方法实现显著更高水平的序列（包）级和帧（实例）级疼痛定位准确率。
引用
@article{arxiv.1910.08173,
title = {Deep Weakly-Supervised Domain Adaptation for Pain Localization in Videos},
author = {R. Gnana Praveen and Eric Granger and Patrick Cardinal},
journal= {arXiv preprint arXiv:1910.08173},
year = {2024}
}
备注
Accepted in FG 2020