MetaPhys：用于非接触式生理测量的少样本自适应方法
计算机视觉与模式识别
2021-03-09 v3 机器学习
摘要
生理过程存在较大的个体差异，使得设计个性化健康感知算法具有挑战性。现有的机器学习系统难以很好地泛化到未见过的受试者或情境，且常包含有问题的偏差。基于视频的生理测量也不例外。因此，从少量无标签样本中学习个性化或定制化模型极具吸引力，因为它可实现快速校准以改善泛化并帮助纠正偏差。本文提出一种名为MetaPhys的新型元学习方法，用于基于视频的个性化心脏测量，以实现非接触式脉搏和心率监测。我们的方法仅使用18秒视频进行定制，并在有监督和无监督两种方式下均有效。我们在两个基准数据集上评估了所提方法，并在跨数据集评估中展现出优越性能，与最先进方法相比误差大幅降低（42%至44%）。我们还证明所提方法显著有助于减少肤色类型中的偏差。
引用
@article{arxiv.2010.01773,
title = {MetaPhys: Few-Shot Adaptation for Non-Contact Physiological Measurement},
author = {Xin Liu and Ziheng Jiang and Josh Fromm and Xuhai Xu and Shwetak Patel and Daniel McDuff},
journal= {arXiv preprint arXiv:2010.01773},
year = {2021}
}