Fugu-MT 論文翻訳(概要): Deep ConvLSTM with self-attention for human activity decoding using wearables

論文の概要: Deep ConvLSTM with self-attention for human activity decoding using wearables

arxiv url: http://arxiv.org/abs/2005.00698v2
Date: Fri, 18 Dec 2020 03:08:37 GMT
ステータス: 処理完了
システム内更新日: 2022-12-07 13:10:23.854943
Title: Deep ConvLSTM with self-attention for human activity decoding using wearables
Title（参考訳）: ウェアラブルを用いた人間行動復号のための自己注意型Deep ConvLSTM
Authors: Satya P. Singh, Aim\'e Lay-Ekuakille, Deepak Gangwar, Madan Kumar Sharma, Sukrit Gupta
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Decoding human activity accurately from wearable sensors can aid in applications related to healthcare and context awareness. The present approaches in this domain use recurrent and/or convolutional models to capture the spatio-temporal features from time-series data from multiple sensors. We propose a deep neural network architecture that not only captures the spatio-temporal features of multiple sensor time-series data but also selects, learns important time points by utilizing a self-attention mechanism. We show the validity of the proposed approach across different data sampling strategies on six public datasets and demonstrate that the self-attention mechanism gave a significant improvement in performance over deep networks using a combination of recurrent and convolution networks. We also show that the proposed approach gave a statistically significant performance enhancement over previous state-of-the-art methods for the tested datasets. The proposed methods open avenues for better decoding of human activity from multiple body sensors over extended periods of time. The code implementation for the proposed model is available at https://github.com/isukrit/encodingHumanActivity.
Abstract（参考訳）: ウェアラブルセンサーから人間の活動を正確に復号することは、医療やコンテキスト認識に関連するアプリケーションに役立つ。この領域における現在のアプローチは、複数のセンサから時系列データから時空間的特徴を捉えるために、リカレントおよび/または畳み込みモデルを用いる。本稿では,複数のセンサ時系列データの時空間的特徴を捉えるだけでなく,自己認識機構を用いて重要な時間点を学習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。提案手法が,6つの公開データセット上で異なるデータサンプリング戦略にまたがる妥当性を示し,リカレントネットワークと畳み込みネットワークの組み合わせを用いたディープネットワークの性能向上効果を示す。また,提案手法は,テストデータセットに対する従来の最先端手法よりも統計的に有意な性能向上を示した。提案手法は、複数の身体センサーからの人間の活動のより優れた復号化を長期にわたって行う。提案されたモデルのコードはhttps://github.com/isukrit/encodinghumanactivityで利用可能である。

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)
DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and Temporal Relatedness [78.98998551326812]
従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
論文参考訳（メタデータ） (2022-09-26T21:59:14Z)
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)
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)
Self-Attention Neural Bag-of-Features [103.70855797025689]
我々は最近導入された2D-Attentionの上に構築し、注意学習方法論を再構築する。本稿では,関連情報を強調した2次元目視マスクを学習する機能・時間的アテンション機構を提案する。
論文参考訳（メタデータ） (2022-01-26T17:54:14Z)
Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文参考訳（メタデータ） (2021-01-12T20:08:18Z)
Energy Aware Deep Reinforcement Learning Scheduling for Sensors Correlated in Time and Space [62.39318039798564]
相関情報を利用するスケジューリング機構を提案する。提案したメカニズムは、センサが更新を送信する頻度を決定することができる。我々は,センサの寿命を大幅に延長できることを示した。
論文参考訳（メタデータ） (2020-11-19T09:53:27Z)
A Tree-structure Convolutional Neural Network for Temporal Features Exaction on Sensor-based Multi-resident Activity Recognition [4.619245607612873]
マルチレジデント活動認識(TSC-MRAR)のためのエンドツーエンド木構造畳み込みニューラルネットワークフレームワークを提案する。まず、各サンプルをイベントとして扱い、スライディングウインドウに過去のセンサの読み取りを埋め込んだ現在のイベントを得る。そして、時間的特徴を自動的に生成するために、木構造ネットワークを設計し、近くの読み物の時間的依存を導出する。
論文参考訳（メタデータ） (2020-11-05T14:31:00Z)
Benchmarking Deep Learning Interpretability in Time Series Predictions [41.13847656750174]
モデル予測における入力特徴の重要性を強調するために、サリエンシ法が広く用いられている。そこで我々は,多様なニューラルアーキテクチャにまたがって,サリエンシに基づく様々な解釈可能性手法の性能を広範囲に比較した。
論文参考訳（メタデータ） (2020-10-26T22:07:53Z)
ESPRESSO: Entropy and ShaPe awaRe timE-Series SegmentatiOn for processing heterogeneous sensor data [5.142415132534397]
多次元時系列のハイブリッドセグメンテーションモデルであるESPRESSOを提案する。 ESPRESSOは時系列のエントロピーと時間的形状特性を利用する。ウェアラブルとウェアラブルフリーの7つのパブリックデータセットにまたがる、最先端の4つのメソッドよりも優れたパフォーマンスを提供する。
論文参考訳（メタデータ） (2020-07-24T10:41:20Z)
Human Activity Recognition from Wearable Sensor Data Using Self-Attention [2.9023633922848586]
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。
論文参考訳（メタデータ） (2020-03-17T14:16:57Z)

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。