面向可泛化远程生理测量的神经元结构建模
计算机视觉与模式识别
2023-03-13 v1
摘要
远程光电容积脉搏波描记法（rPPG）技术近年来受到越来越多的关注。它可从面部视频中提取血容量脉搏（BVP），使健康监测和情绪分析等许多应用更加便捷。然而，由于 BVP 信号易受环境变化影响，现有方法难以在未知域上良好泛化。本文中，我们系统性地解决 rPPG 测量任务中的域偏移问题。我们表明，大多数域泛化方法在此问题中表现不佳，因为域标签在复杂环境变化中是模糊的。有鉴于此，我们提出一种无域标签的方法，称为 NEuron STructure modeling（NEST，神经元结构建模）。NEST 通过在训练期间最大化特征空间的覆盖度来提升泛化能力，从而降低推理过程中特征激活欠优化的可能性。此外，NEST 还能跨多域丰富并增强域不变特征。我们创建并基准化了一个大规模的 rPPG 测量任务域泛化协议。大量实验表明，我们的方法在跨数据集和数据集内设置上均优于最先进的方法。
引用
@article{arxiv.2303.05955,
title = {Neuron Structure Modeling for Generalizable Remote Physiological Measurement},
author = {Hao Lu and Zitong Yu and Xuesong Niu and Yingcong Chen},
journal= {arXiv preprint arXiv:2303.05955},
year = {2023}
}
备注
Accepted by CVPR2023