利用深度学习远程光电容积描记法模型相似性度量域偏移
计算机视觉与模式识别
2024-04-15 v1
摘要
深度学习模型的训练数据与部署环境之间的域偏移差异，可能导致无法泛化的模型出现严重的性能问题。我们在远程光电容积描记法（rPPG）的背景下研究域偏移问题，这是一种基于视频的心率推断技术。我们提出了基于模型相似性的度量指标，可用作域偏移的衡量标准，并展示了这些指标与经验性能之间的高相关性。其中一个具有可行相关性的指标 DS-diff 不假设拥有目标域的真实标签，即它可应用于野外数据。为此，我们研究了一个评估域真实标签未知的模型选择问题，相较于平均情况基线展示了 13.9% 的性能提升。
引用
@article{arxiv.2404.08184,
title = {Measuring Domain Shifts using Deep Learning Remote Photoplethysmography Model Similarity},
author = {Nathan Vance and Patrick Flynn},
journal= {arXiv preprint arXiv:2404.08184},
year = {2024}
}