論文の概要: Human Activity Recognition from Wearable Sensor Data Using Self-Attention

• arxiv url: http://arxiv.org/abs/2003.09018v1
• Date: Tue, 17 Mar 2020 14:16:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-22 20:28:39.800433
• Title: Human Activity Recognition from Wearable Sensor Data Using Self-Attention
• Title（参考訳）: セルフアテンションを用いたウェアラブルセンサデータからのヒューマンアクティビティ認識
• Authors: Saif Mahmud, M Tanjid Hasan Tonmoy, Kishor Kumar Bhaumik, A K M Mahbubur Rahman, M Ashraful Amin, Mohammad Shoyaib, Muhammad Asif Hossain Khan, Amin Ahsan Ali
• Abstract要約: 本稿では,身体のセンサデータから行動認識のための自己認識型ニューラルネットワークモデルを提案する。 一般に公開されている4つのHARデータセット、PAMAP2、Opportunity、Skoda、USC-HADについて実験を行った。 ベンチマークテスト対象とLeave-out-subject評価の両方において,最近の最先端モデルよりも高い性能向上を実現している。
• 参考スコア（独自算出の注目度）: 2.9023633922848586
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Human Activity Recognition from body-worn sensor data poses an inherent challenge in capturing spatial and temporal dependencies of time-series signals. In this regard, the existing recurrent or convolutional or their hybrid models for activity recognition struggle to capture spatio-temporal context from the feature space of sensor reading sequence. To address this complex problem, we propose a self-attention based neural network model that foregoes recurrent architectures and utilizes different types of attention mechanisms to generate higher dimensional feature representation used for classification. We performed extensive experiments on four popular publicly available HAR datasets: PAMAP2, Opportunity, Skoda and USC-HAD. Our model achieve significant performance improvement over recent state-of-the-art models in both benchmark test subjects and Leave-one-subject-out evaluation. We also observe that the sensor attention maps produced by our model is able capture the importance of the modality and placement of the sensors in predicting the different activity classes.
• Abstract（参考訳）: 身振りセンサデータからの人間の活動認識は、時系列信号の空間的および時間的依存関係をキャプチャする上で固有の課題となる。 この点において、活動認識のための既存の再帰的または畳み込み的またはそれらのハイブリッドモデルは、センサ読取シーケンスの特徴空間から時空間を捉えるのに苦労する。 この複雑な問題に対処するために,再帰的アーキテクチャを先導し,異なるタイプの注意機構を用いて,分類に使用される高次元特徴表現を生成する自己注意型ニューラルネットワークモデルを提案する。 我々は,PAMAP2,Opportunity,Skoda,USC-HADの4つの一般的なHARデータセットに対して,広範な実験を行った。 本モデルでは,最近の最先端モデルと比較して,ベンチマーク試験対象者および被検者残量評価において有意な性能改善を達成している。 また,このモデルが生成するセンサアテンションマップは,センサのモダリティと配置の重要性を把握し,異なるアクティビティクラスを予測できることを観察した。

関連論文リスト

• Scaling Wearable Foundation Models [54.93979158708164]
  センサ基礎モデルのスケーリング特性を計算,データ,モデルサイズにわたって検討する。 最大4000万時間分の心拍数、心拍変動、心電図活動、加速度計、皮膚温度、および1分間のデータを用いて、私たちはLSMを作成します。 この結果から,LSMのスケーリング法則は,時間とセンサの両面において,計算や外挿などのタスクに対して確立されている。
  論文  参考訳（メタデータ） (2024-10-17T15:08:21Z)
• Sensor Data Augmentation from Skeleton Pose Sequences for Improving Human Activity Recognition [5.669438716143601]
  HAR(Human Activity Recognition)は、ディープラーニングの普及に大きく貢献していない。 本稿では,センサをベースとしたウェアラブル型HARに対して,ポーズ・ツー・センサ・ネットワークモデルを導入することにより,新たなアプローチを提案する。 コントリビューションには、同時トレーニングの統合、直接ポーズ・ツー・センサ生成、MM-Fitデータセットの包括的な評価が含まれる。
  論文  参考訳（メタデータ） (2024-04-25T10:13:18Z)
• Spatio-Temporal Branching for Motion Prediction using Motion Increments [55.68088298632865]
  HMP(Human Motion Prediction)はその多種多様な応用により、人気のある研究トピックとして浮上している。 従来の手法は手作りの機能と機械学習技術に依存している。 HMPのためのインクリメンタル情報を用いた時空間分岐ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-08-02T12:04:28Z)
• A Real-time Human Pose Estimation Approach for Optimal Sensor Placement in Sensor-based Human Activity Recognition [63.26015736148707]
  本稿では,人間の行動認識に最適なセンサ配置の課題を解決するための新しい手法を提案する。 得られた骨格データは、最適なセンサ位置を特定するためのユニークな戦略を提供する。 本研究は,センサ配置の視覚的手法が従来のディープラーニング手法と同等の結果をもたらすことを示唆している。
  論文  参考訳（メタデータ） (2023-07-06T10:38:14Z)
• 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)
• A Spatio-Temporal Multilayer Perceptron for Gesture Recognition [70.34489104710366]
  自律走行車におけるジェスチャー認識のための多層状態重み付きパーセプトロンを提案する。 提案手法の有望な性能を示すため,TCGおよびDrive&Actデータセットの評価を行った。 私たちは、そのリアルタイム能力と安定した実行を示すために、モデルを自動運転車にデプロイします。
  論文  参考訳（メタデータ） (2022-04-25T08:42:47Z)
• Attention-Based Sensor Fusion for Human Activity Recognition Using IMU Signals [4.558966602878624]
  本稿では,異なる身体部位に装着した複数のIMUセンサを用いた人体行動認識のための新しいアテンションベースアプローチを提案する。 異なる身体位置におけるセンサの重要性を学習し、注意に基づく融合機構を開発し、注意的特徴表現を生成する。 提案手法は,5つの公開データセットを用いて評価し,多種多様な活動カテゴリにおける最先端の手法より優れている。
  論文  参考訳（メタデータ） (2021-12-20T17:00:27Z)
• Hierarchical Self Attention Based Autoencoder for Open-Set Human Activity Recognition [2.492343817244558]
  ウェアラブルセンサを用いたヒューマンアクティビティ認識のための自己注目型アプローチを提案する。 エンコーダからの自己アテンションに基づく特徴表現を組み込んで、オープンセットの認識設定で見えないアクティビティクラスを検出する。 ボディウォーンセンサ信号の雑音に対するロバスト性および被写体特異的変動性が著しく改善されたことを示す広範な検証実験を行う。
  論文  参考訳（メタデータ） (2021-03-07T06:21:18Z)
• Semantics-aware Adaptive Knowledge Distillation for Sensor-to-Vision Action Recognition [131.6328804788164]
  本稿では,視覚・センサ・モダリティ(動画)における行動認識を強化するためのフレームワーク,Semantics-Aware Adaptive Knowledge Distillation Networks (SAKDN)を提案する。 SAKDNは複数のウェアラブルセンサーを教師のモダリティとして使用し、RGB動画を学生のモダリティとして使用している。
  論文  参考訳（メタデータ） (2020-09-01T03:38:31Z)
• Deep ConvLSTM with self-attention for human activity decoding using wearables [0.0]
  本稿では,複数のセンサ時系列データの特徴を捉えつつ,重要な時間点を選択するディープニューラルネットワークアーキテクチャを提案する。 提案手法の有効性を,異なるデータサンプリング戦略にまたがって示すとともに,自己認識機構が大幅に改善したことを示す。 提案手法は、複数の身体センサからの人間の活動のより優れた復号化を、長期間にわたって行うことができる。
  論文  参考訳（メタデータ） (2020-05-02T04:30:31Z)
• Human Action Recognition and Assessment via Deep Neural Network Self-Organization [0.0]
  本章では,深度マップとRGB画像からの行動の学習と認識のための階層モデルを紹介する。 これらのモデルの特徴は、非定常分布に迅速に適応する自己組織化ネットワークの利用である。
  論文  参考訳（メタデータ） (2020-01-04T15:58:06Z)

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。