論文の概要: Sequential Weakly Labeled Multi-Activity Localization and Recognition on
Wearable Sensors using Recurrent Attention Networks
- arxiv url: http://arxiv.org/abs/2004.05768v3
- Date: Tue, 3 Aug 2021 14:14:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-13 23:45:16.501660
- Title: Sequential Weakly Labeled Multi-Activity Localization and Recognition on
Wearable Sensors using Recurrent Attention Networks
- Title（参考訳）: リカレントアテンションネットワークを用いた連続弱ラベル多能率定位とウェアラブルセンサの認識
- Authors: Kun Wang, Jun He, Lei Zhang
- Abstract要約: 本稿では,逐次的にラベル付けされたマルチアクティビティ認識と位置情報タスクを処理するために,RAN(Recurrent attention network)を提案する。
我々のRANモデルは、粗粒度シーケンシャルな弱いラベルからマルチアクティビティータイプを同時に推測することができる。
手動ラベリングの負担を大幅に軽減する。
- 参考スコア（独自算出の注目度）: 13.64024154785943
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the popularity and development of the wearable devices such as
smartphones, human activity recognition (HAR) based on sensors has become as a
key research area in human computer interaction and ubiquitous computing. The
emergence of deep learning leads to a recent shift in the research of HAR,
which requires massive strictly labeled data. In comparison with video data,
activity data recorded from accelerometer or gyroscope is often more difficult
to interpret and segment. Recently, several attention mechanisms are proposed
to handle the weakly labeled human activity data, which do not require accurate
data annotation. However, these attention-based models can only handle the
weakly labeled dataset whose sample includes one target activity, as a result
it limits efficiency and practicality. In the paper, we propose a recurrent
attention networks (RAN) to handle sequential weakly labeled multi-activity
recognition and location tasks. The model can repeatedly perform steps of
attention on multiple activities of one sample and each step is corresponding
to the current focused activity. The effectiveness of the RAN model is
validated on a collected sequential weakly labeled multi-activity dataset and
the other two public datasets. The experiment results show that our RAN model
can simultaneously infer multi-activity types from the coarse-grained
sequential weak labels and determine specific locations of every target
activity with only knowledge of which types of activities contained in the long
sequence. It will greatly reduce the burden of manual labeling. The code of our
work is available at https://github.com/KennCoder7/RAN.
- Abstract（参考訳）: スマートフォンなどのウェアラブルデバイスの普及と発展に伴い、センサに基づくヒューマンアクティビティ認識(HAR)は、人間のコンピュータインタラクションやユビキタスコンピューティングにおいて重要な研究領域となっている。
ディープラーニングの出現は、大規模にラベル付けされたデータを必要とするHARの研究の最近の変化につながる。
ビデオデータと比較すると、加速度計やジャイロスコープから記録された活動データは解釈やセグメント化が難しいことが多い。
近年,正確なデータアノテーションを必要としない弱いラベル付きヒューマンアクティビティデータを扱うための注意機構が提案されている。
しかし、これらの注意に基づくモデルは、1つのターゲットアクティビティを含む弱いラベル付きデータセットのみを扱うことができ、結果として効率と実用性が制限される。
本稿では,逐次的弱ラベル付きマルチアクティビティ認識とロケーションタスクを扱うリカレントアテンションネットワーク(ran)を提案する。
モデルは1つのサンプルの複数のアクティビティに注意を向けるステップを繰り返し実行することができ、各ステップは現在のフォーカスされたアクティビティに対応する。
RANモデルの有効性は、収集された逐次弱ラベル付きマルチアクティビティデータセットと、他の2つのパブリックデータセットで検証される。
実験の結果,ranモデルでは,粗粒度の逐次的弱ラベルからマルチアクティビティ型を推定し,各ターゲットアクティビティの特定の位置を,長いシーケンスに含まれるアクティビティの種類のみを判断できることがわかった。
手動ラベリングの負担を大幅に削減します。
私たちの仕事のコードはhttps://github.com/kenncoder7/ranで閲覧できます。
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) - Cross-Domain HAR: Few Shot Transfer Learning for Human Activity
Recognition [0.2944538605197902]
本稿では,HARデータセットを有効な転送学習に利用するための経済的なアプローチを提案する。
本稿では,教師が学習する自己学習パラダイムに則って,新たな伝達学習フレームワークであるクロスドメインHARを紹介する。
本手法の有効性を,撮影活動認識のシナリオで実証する。
論文 参考訳（メタデータ） (2023-10-22T19:13:25Z) - UMSNet: An Universal Multi-sensor Network for Human Activity Recognition [10.952666953066542]
本稿では,人間行動認識のためのユニバーサルマルチセンサネットワーク(UMSNet)を提案する。
特に,新しい軽量センサ残差ブロック(LSRブロック)を提案する。
我々のフレームワークは明確な構造を持ち、様々な種類のマルチモーダル時系列分類タスクに直接適用することができる。
論文 参考訳（メタデータ） (2022-05-24T03:29:54Z) - HAR-GCNN: Deep Graph CNNs for Human Activity Recognition From Highly
Unlabeled Mobile Sensor Data [61.79595926825511]
正確な活動ラベルを含むバランスのとれたデータセットを取得するには、人間が正しく注釈を付け、リアルタイムで被験者の通常の活動に干渉する必要がある。
本研究では,HAR-GCCNモデルを提案する。HAR-GCCNは,時系列に隣接したセンサ測定の相関を利用して,不特定活動の正確なラベルを予測する。
Har-GCCNは、これまで使用されていたベースライン手法と比較して優れたパフォーマンスを示し、分類精度を25%改善し、異なるデータセットで最大68%向上した。
論文 参考訳（メタデータ） (2022-03-07T01:23:46Z) - Human Activity Recognition on wrist-worn accelerometers using
self-supervised neural networks [0.0]
日常生活活動の指標 (ADL) は, 健康の指標として重要であるが, 生体内測定は困難である。
本稿では,加速度センサデータの頑健な表現をデバイスや対象に対して一般化するための自己教師付き学習パラダイムを提案する。
また,連続した実生活データに対して,有意な活動のセグメントを同定し,HARの精度を高めるセグメンテーションアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-12-22T23:35:20Z) - Self-supervised Pretraining with Classification Labels for Temporal
Activity Detection [54.366236719520565]
時間的アクティビティ検出は、1フレーム当たりのアクティビティクラスを予測することを目的としている。
検出に必要なフレームレベルのアノテーションが高価なため、検出データセットの規模は限られている。
本研究では,分類ラベルを利用した自己教師付き事前学習手法を提案する。
論文 参考訳（メタデータ） (2021-11-26T18:59:28Z) - Few-Shot Fine-Grained Action Recognition via Bidirectional Attention and
Contrastive Meta-Learning [51.03781020616402]
現実世界のアプリケーションで特定のアクション理解の需要が高まっているため、きめ細かいアクション認識が注目を集めている。
そこで本研究では,各クラスに付与されるサンプル数だけを用いて,新規なきめ細かい動作を認識することを目的とした,数発のきめ細かな動作認識問題を提案する。
粒度の粗い動作では進展があったが、既存の数発の認識手法では、粒度の細かい動作を扱う2つの問題に遭遇する。
論文 参考訳（メタデータ） (2021-08-15T02:21:01Z) - Diverse Complexity Measures for Dataset Curation in Self-driving [80.55417232642124]
トラフィックシーンの面白さを定量化する多様な基準を活用した新たなデータ選択手法を提案する。
実験の結果,提案するキュレーションパイプラインは,より汎用的で高いパフォーマンスをもたらすデータセットを選択できることが判明した。
論文 参考訳（メタデータ） (2021-01-16T23:45:02Z) - ZSTAD: Zero-Shot Temporal Activity Detection [107.63759089583382]
本研究では,ゼロショット時間的活動検出(ZSTAD)と呼ばれる新たなタスク設定を提案する。
このソリューションのアーキテクチャとして,R-C3Dに基づくエンドツーエンドのディープネットワークを設計する。
THUMOS14とCharadesデータセットの両方の実験は、目に見えない活動を検出するという点で有望なパフォーマンスを示している。
論文 参考訳（メタデータ） (2020-03-12T02:40:36Z) - Stance Detection Benchmark: How Robust Is Your Stance Detection? [65.91772010586605]
Stance Detection (StD) は、あるトピックやクレームに対する著者の姿勢を検出することを目的としている。
マルチデータセット学習環境において、さまざまなドメインの10のStDデータセットから学習するStDベンチマークを導入する。
このベンチマーク設定では、5つのデータセットに新しい最先端結果を表示することができます。
論文 参考訳（メタデータ） (2020-01-06T13:37:51Z)
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。