論文の概要: Effective Human Activity Recognition Based on Small Datasets
- arxiv url: http://arxiv.org/abs/2004.13977v1
- Date: Wed, 29 Apr 2020 06:38:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-08 13:26:57.723785
- Title: Effective Human Activity Recognition Based on Small Datasets
- Title（参考訳）: 小さなデータセットに基づく効果的な人間行動認識
- Authors: Bruce X. B. Yu, Yan Liu, Keith C. C. Chan
- Abstract要約: 1)生データの変換に基づく特徴生成を含むデータ変換,(2)AdaBoostアルゴリズムに基づく分類器の学習を含む特徴抽出,(3)パラメータ決定とパターン認識の3つのステップからなるHAR手法を提案する。
実験の結果,提案手法を用いることで,訓練データのサイズが小さくても,人間の活動をより正確に認識できることが示唆された。
- 参考スコア（独自算出の注目度）: 11.521107108725188
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Most recent work on vision-based human activity recognition (HAR) focuses on
designing complex deep learning models for the task. In so doing, there is a
requirement for large datasets to be collected. As acquiring and processing
large training datasets are usually very expensive, the problem of how dataset
size can be reduced without affecting recognition accuracy has to be tackled.
To do so, we propose a HAR method that consists of three steps: (i) data
transformation involving the generation of new features based on transforming
of raw data, (ii) feature extraction involving the learning of a classifier
based on the AdaBoost algorithm and the use of training data consisting of the
transformed features, and (iii) parameter determination and pattern recognition
involving the determination of parameters based on the features generated in
(ii) and the use of the parameters as training data for deep learning
algorithms to be used to recognize human activities. Compared to existing
approaches, this proposed approach has the advantageous characteristics that it
is simple and robust. The proposed approach has been tested with a number of
experiments performed on a relatively small real dataset. The experimental
results indicate that using the proposed method, human activities can be more
accurately recognized even with smaller training data size.
- Abstract（参考訳）: 視覚に基づくヒューマンアクティビティ認識(HAR)に関する最近の研究は、タスクのための複雑なディープラーニングモデルの設計に焦点を当てている。
そのためには、大規模なデータセットを収集する必要がある。
大規模なトレーニングデータセットの取得と処理は通常非常に費用がかかるため、認識精度に影響を与えることなくデータセットのサイズを削減できるという課題に取り組まなければならない。
そこで我々は3つのステップからなるHAR法を提案する。
(i)生データの変換に基づく新機能の生成を伴うデータ変換
(ii)adaboostアルゴリズムに基づく分類器の学習と、変換された特徴からなる訓練データの使用を含む特徴抽出と、
(iii)生成した特徴に基づくパラメータ決定を伴うパラメータ決定とパターン認識
(II) 深層学習アルゴリズムのトレーニングデータとしてパラメータを用いることで, 人間の活動を認識することができる。
既存のアプローチと比較して、提案手法は単純かつ堅牢であるという利点がある。
提案手法は比較的小さな実データセットで多数の実験によって検証されている。
実験の結果, 学習データサイズが小さくても, 人間の活動をより正確に把握できることがわかった。
関連論文リスト
- Exploring Learning Complexity for Downstream Data Pruning [9.526877053855998]
本稿では,学習複雑性(LC)を分類・回帰タスクのスコアリング機能として扱うことを提案する。
大規模言語モデルの微調整を行うため,本手法は安定収束による最先端性能を実現する。
論文 参考訳（メタデータ） (2024-02-08T02:29:33Z) - ALP: Action-Aware Embodied Learning for Perception [60.64801970249279]
認知のための行動認識型身体学習(ALP)について紹介する。
ALPは、強化学習ポリシーと逆ダイナミクス予測目標を最適化することにより、行動情報を表現学習に組み込む。
ALPは、複数の下流認識タスクにおいて、既存のベースラインよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-06-16T21:51:04Z) - STAR: Boosting Low-Resource Information Extraction by Structure-to-Text
Data Generation with Large Language Models [56.27786433792638]
STARは大規模言語モデル(LLM)を利用してデータインスタンスを合成するデータ生成手法である。
我々は、初期データインスタンスを取得するための詳細なステップバイステップ命令を設計する。
実験の結果,STARが生成したデータは,低リソースイベント抽出および関係抽出タスクの性能を著しく向上させることがわかった。
論文 参考訳（メタデータ） (2023-05-24T12:15:19Z) - Towards Robust Dataset Learning [90.2590325441068]
本稿では,頑健なデータセット学習問題を定式化するための三段階最適化法を提案する。
ロバストな特徴と非ロバストな特徴を特徴付ける抽象モデルの下で,提案手法はロバストなデータセットを確実に学習する。
論文 参考訳（メタデータ） (2022-11-19T17:06:10Z) - A Survey of Learning on Small Data: Generalization, Optimization, and
Challenge [101.27154181792567]
ビッグデータの一般化能力を近似した小さなデータについて学ぶことは、AIの究極の目的の1つである。
この調査はPACフレームワークの下でのアクティブサンプリング理論に従い、小さなデータにおける学習の一般化誤差とラベルの複雑さを分析した。
効率的な小さなデータ表現の恩恵を受けるかもしれない複数のデータアプリケーションについて調査する。
論文 参考訳（メタデータ） (2022-07-29T02:34:19Z) - Sampling Approach Matters: Active Learning for Robotic Language
Acquisition [42.69529080098759]
本稿では,複雑性の異なる3つの基礎言語問題に適用した能動的学習手法について検討する。
特徴選択や分類モデルといった設計上の決定とともに,その基礎となる課題の特徴がどのような結果をもたらすかを報告する。
論文 参考訳（メタデータ） (2020-11-16T15:18:10Z) - MARS: Mixed Virtual and Real Wearable Sensors for Human Activity
Recognition with Multi-Domain Deep Learning Model [21.971345137218886]
仮想IMUに基づく大規模データベースの構築を提案し,その上で,3つの技術部分からなる多分野ディープラーニングフレームワークを導入することにより,技術的問題に対処する。
まず,混成畳み込みニューラルネットワーク(CNN)を用いたノイズの多いIMUデータから,単一フレームの人間活動について半教師付き形式で学習することを提案する。
第2の部分は、不確実性を認識した一貫性の原則に従って抽出されたデータ特徴を融合する。
転送学習は、最近リリースされたArchive of Motion Capture as Surface Shapes (AMASS)データセットに基づいて、最後の部分で実行される。
論文 参考訳（メタデータ） (2020-09-20T10:35:14Z) - 2nd Place Scheme on Action Recognition Track of ECCV 2020 VIPriors
Challenges: An Efficient Optical Flow Stream Guided Framework [57.847010327319964]
我々は、小さなデータセットでモデルをスクラッチからトレーニングできるデータ効率フレームワークを提案する。
具体的には、3D中心差分畳み込み演算を導入することで、新しいC3Dニューラルネットワークベースの2ストリームフレームワークを提案する。
提案手法は,大規模データセット上で事前学習したモデルがなくても,有望な結果が得られることを実証した。
論文 参考訳（メタデータ） (2020-08-10T09:50:28Z) - An Efficient Data Imputation Technique for Human Activity Recognition [3.0117625632585705]
本研究では,データセットの欠落したサンプルを抽出し,人間の日常生活活動をよりよく認識する手法を提案する。
提案手法は,k-Nearest Neighbors (KNN) 計算技術を用いて,データキャプチャを効率的に前処理する。
提案手法は,実際のデータセットと同じような活動パターンをエレガントに外挿する。
論文 参考訳（メタデータ） (2020-07-08T22:05:38Z) - Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。
我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。
そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
論文 参考訳（メタデータ） (2020-05-18T09:36:51Z) - Sensor Data for Human Activity Recognition: Feature Representation and
Benchmarking [27.061240686613182]
HAR(Human Activity Recognition)の分野は、監視装置(センサなど)から取得したデータを取得し、分析することに焦点を当てている。
我々は、異なる機械学習(ML)技術を用いて、人間のアクティビティを正確に認識する問題に対処する。
論文 参考訳（メタデータ） (2020-05-15T00:46:55Z)
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。