論文の概要: Personalized Activity Recognition with Deep Triplet Embeddings
- arxiv url: http://arxiv.org/abs/2001.05517v1
- Date: Wed, 15 Jan 2020 19:17:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-11 05:57:09.464627
- Title: Personalized Activity Recognition with Deep Triplet Embeddings
- Title(参考訳): ディープトリプレット埋め込みによるパーソナライズされたアクティビティ認識
- Authors: David M. Burns and Cari M. Whyne
- Abstract要約: 本稿では,完全畳み込み型ニューラルネットワークによる深層埋め込みに基づく個人化された活動認識手法を提案する。
我々は,これらの手法を3つの一般公開された慣性人間活動認識データセット上で評価する。
- 参考スコア(独自算出の注目度): 2.1320960069210475
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A significant challenge for a supervised learning approach to inertial human
activity recognition is the heterogeneity of data between individual users,
resulting in very poor performance of impersonal algorithms for some subjects.
We present an approach to personalized activity recognition based on deep
embeddings derived from a fully convolutional neural network. We experiment
with both categorical cross entropy loss and triplet loss for training the
embedding, and describe a novel triplet loss function based on subject
triplets. We evaluate these methods on three publicly available inertial human
activity recognition data sets (MHEALTH, WISDM, and SPAR) comparing
classification accuracy, out-of-distribution activity detection, and embedding
generalization to new activities. The novel subject triplet loss provides the
best performance overall, and all personalized deep embeddings out-perform our
baseline personalized engineered feature embedding and an impersonal fully
convolutional neural network classifier.
- Abstract(参考訳): 慣性的人間活動認識に対する教師付き学習アプローチにおける重要な課題は、個々のユーザー間のデータの均一性であり、一部の被験者にとって非個人的アルゴリズムの性能が極めて低いことである。
本稿では,完全畳み込みニューラルネットワークを用いた深層埋め込みに基づくパーソナライズアクティビティ認識手法を提案する。
埋め込みを訓練するために, カテゴリー横断エントロピー損失と三重項損失の両方を実験し, 対象三重項に基づく新しい三重項損失関数について述べる。
これらの手法を, 分類精度, 分布域外活動検出, および新しい活動への一般化を比較検討した3つの慣性的人間行動認識データセット(mhealth, wisdm, spar)上で評価した。
新規な三重項損失は、全体として最高のパフォーマンスを提供し、パーソナライズされたディープ埋め込みは、ベースラインのパーソナライズされた機能埋め込みと、非対人的な完全な畳み込みニューラルネットワーク分類器よりも優れています。
関連論文リスト
- CLAN: A Contrastive Learning based Novelty Detection Framework for Human
Activity Recognition [3.0108863071498035]
CLANは、人間の活動認識のための2段階のコントラスト学習に基づく新規性検出フレームワークである。
それは、時間的および周波数的特徴の重要さを含む、人間の活動特性に関する課題に合わせたものである。
4つの実世界の人間活動データセットの実験により、CLANは既存の新規性検出手法の最高の性能を上回っていることが示された。
論文 参考訳(メタデータ) (2024-01-17T03:57:36Z) - Predicting Infant Brain Connectivity with Federated Multi-Trajectory
GNNs using Scarce Data [54.55126643084341]
既存のディープラーニングソリューションには,3つの大きな制限がある。
我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。
フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
論文 参考訳(メタデータ) (2024-01-01T10:20:01Z) - Feature Decoupling-Recycling Network for Fast Interactive Segmentation [79.22497777645806]
近年のインタラクティブセグメンテーション手法では,入力としてソースイメージ,ユーザガイダンス,従来予測されていたマスクを反復的に取り込んでいる。
本稿では,本質的な相違点に基づいてモデリングコンポーネントを分離するFDRN(Feature Decoupling-Recycling Network)を提案する。
論文 参考訳(メタデータ) (2023-08-07T12:26:34Z) - Neural Collapse Terminus: A Unified Solution for Class Incremental
Learning and Its Variants [166.916517335816]
本稿では,3つの課題における不整合ジレンマに対する統一解を提案する。
ラベル空間全体の最大等角的クラス間分離を有する固定構造である神経崩壊終端を提案する。
本手法は,データ不均衡やデータ不足にかかわらず,神経崩壊最適度を漸進的に保持する。
論文 参考訳(メタデータ) (2023-08-03T13:09:59Z) - HAL3D: Hierarchical Active Learning for Fine-Grained 3D Part Labeling [14.996054175557607]
粒度の細かい3Dパートラベリングのための,最初の能動的学習ツールを提案する。
我々のツールは、ディープニューラルネットワークによって予測される部分ラベルを反復的に検証または修正する。
HAL3Dとよばれる私たちのHAL3Dは、事前に定義された階層的な部分ラベルを持つ任意のテストセットに対して100%の精度を実現しています。
論文 参考訳(メタデータ) (2023-01-25T08:40:34Z) - Dataset Bias in Human Activity Recognition [57.91018542715725]
このコントリビューションは、トレーニングデータを統計的にキュレートし、人間の身体的特性がHARのパフォーマンスにどの程度影響するかを評価する。
時系列HARのセンサ,アクティビティ,記録の異なる2つのHARデータセット上で,最先端の畳み込みニューラルネットワークの性能を評価する。
論文 参考訳(メタデータ) (2023-01-19T12:33:50Z) - Discriminative Attribution from Counterfactuals [64.94009515033984]
本稿では,特徴属性と反実的説明を組み合わせたニューラルネットワークの解釈可能性について述べる。
本手法は,特徴属性法の性能を客観的に評価するために有効であることを示す。
論文 参考訳(メタデータ) (2021-09-28T00:53:34Z) - Attribute-Guided Adversarial Training for Robustness to Natural
Perturbations [64.35805267250682]
本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。
我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
論文 参考訳(メタデータ) (2020-12-03T10:17:30Z) - Generic Semi-Supervised Adversarial Subject Translation for Sensor-Based
Human Activity Recognition [6.2997667081978825]
本稿では,人間活動認識における半教師付きドメイン適応のための,新しい汎用的で堅牢なアプローチを提案する。
本手法は,対象対象対象と対象対象対象対象からのみ注釈付きサンプルからの知識を活用することにより,問題点に対処するための敵対的枠組みの利点を生かしている。
その結果,提案手法が最先端手法に対して有効であることを示し,オポチュニティ,LISSI,PAMAP2データセットの高レベルのアクティビティ認識指標を最大13%,4%,13%改善した。
論文 参考訳(メタデータ) (2020-11-11T12:16:23Z) - Towards Deep Clustering of Human Activities from Wearables [21.198881633580797]
本研究では,ウェアラブルからの人間行動認識の基本的な問題に対して,教師なしのエンドツーエンド学習戦略を開発する。
本研究では,センサデータの教師なし表現を協調的に学習し,異なる人間の活動に強い意味的対応を持つクラスタ代入を生成する手法の有効性を示す。
論文 参考訳(メタデータ) (2020-08-02T13:55:24Z) - Entropy Decision Fusion for Smartphone Sensor based Human Activity
Recognition [0.0]
本稿では,畳み込みニューラルネットワーク,再帰畳み込みネットワーク,ベクトルマシンをコンピュータで支援するためのアプローチを提案する。
UCI-HARとWISDMの2つのベンチマークデータセットで実験が行われた。
論文 参考訳(メタデータ) (2020-05-30T21:09:38Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。