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

• Deep Adversarial Learning with Activity-Based User Discrimination Task for Human Activity Recognition [0.0]
  本稿では,人間行動認識問題に対する新たな逆深層学習フレームワークを提案する。 本フレームワークは,個人間の変動に対処する,行動に基づく新たな識別タスクを取り入れている。
  論文  参考訳（メタデータ） (2024-10-01T11:58:33Z)
• Multi-threshold Deep Metric Learning for Facial Expression Recognition [60.26967776920412]
  本稿では,難易度検証を回避する多閾値深度学習手法を提案する。 その結果,三重項損失のそれぞれの閾値は本質的にクラス間変動の特異な分布を決定することがわかった。 埋め込み層はスライスで構成されており、より情報的で差別的な特徴である。
  論文  参考訳（メタデータ） (2024-06-24T08:27:31Z)
• AiOS: All-in-One-Stage Expressive Human Pose and Shape Estimation [55.179287851188036]
  人間のポーズと形状の復元のための新しいオールインワンステージフレームワークであるAiOSを、追加の人間検出ステップなしで導入する。 まず、画像中の人間の位置を探索し、各インスタンスのグローバルな機能をエンコードするために、人間のトークンを使用します。 そして、画像中の人間の関節を探索し、きめ細かい局所的特徴を符号化するジョイント関連トークンを導入する。
  論文  参考訳（メタデータ） (2024-03-26T17:59:23Z)
• 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)
• 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)
• HAL3D: Hierarchical Active Learning for Fine-Grained 3D Part Labeling [16.74185233682209]
  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)

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。