从视频中估算心率可以通过患者护理，人类互动和运动中的应用进行非接触健康监测。现有的工作可以通过面部跟踪在一定程度的运动下稳健地测量心率。但是，在不受约束的设置中，这并不总是可以的，因为脸部可能会被遮住甚至在相机外面。在这里，我们介绍Intensephysio：具有挑战性的视频心率估计数据集，具有逼真的面部阻塞，严重的主题运动和充足的心率变化。为了确保在现实环境中的心率变化，我们记录每个主题约1-2小时。该受试者正在用附着的摄像机进行骑自行车计（以中等强度）锻炼（中度至高强度），没有关于定位或运动的指示。我们有11个主题，大约有20个小时的视频。我们表明，现有的远程照相拍摄方法在这种情况下估计心率很难。此外，我们提出了IBIS-CNN，这是一种使用时空超级像素的新基线，它通过消除了对可见面/面部跟踪的需求来改善现有模型。我们将尽快公开提供代码和数据。
translated by 谷歌翻译
频率信息位于纹理之间区分的基础上，因此在不同的对象之间。古典CNN架构将频率学习限制通过固定滤波器大小，缺乏明确控制它的方法。在这里，我们建立了具有高斯衍生基础的结构化接收场滤波器。然而，而不是使用预定的衍生顺序，通常导致基本函数的固定频率响应，我们学习这些。我们表明，通过学习基础的顺序，我们可以准确地学习滤波器的频率，因此适应底层学习任务的最佳频率。我们研究了分数衍生物的良好数学制剂，以在训练期间适应过滤频率。与标准CNN和我们构建的标准CNN和高斯衍生CNN滤波器网络相比，我们的配方导致参数节省和数据效率。
translated by 谷歌翻译