論文の概要: Layer-wise training convolutional neural networks with smaller filters
for human activity recognition using wearable sensors
- arxiv url: http://arxiv.org/abs/2005.03948v3
- Date: Thu, 5 Aug 2021 04:40:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-05 12:42:10.395313
- Title: Layer-wise training convolutional neural networks with smaller filters
for human activity recognition using wearable sensors
- Title（参考訳）: ウェアラブルセンサを用いた人間行動認識のためのより小さなフィルタを用いた層間トレーニング畳み込みニューラルネットワーク
- Authors: Yin Tang, Qi Teng, Lei Zhang, Fuhong Min and Jun He
- Abstract要約: 畳み込みニューラルネットワーク(CNN)は、さまざまなヒューマンアクティビティ認識(HAR)データセットに最新技術を適用している。
ディープCNNは、しばしばより多くのコンピューティングリソースを必要とし、組み込みHARでのアプリケーションを制限する。
本稿では,HARのためのレゴフィルタを用いた軽量CNNを提案する。
- 参考スコア（独自算出の注目度）: 7.60039421617854
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recently, convolutional neural networks (CNNs) have set latest
state-of-the-art on various human activity recognition (HAR) datasets. However,
deep CNNs often require more computing resources, which limits their
applications in embedded HAR. Although many successful methods have been
proposed to reduce memory and FLOPs of CNNs, they often involve special network
architectures designed for visual tasks, which are not suitable for deep HAR
tasks with time series sensor signals, due to remarkable discrepancy.
Therefore, it is necessary to develop lightweight deep models to perform HAR.
As filter is the basic unit in constructing CNNs, it deserves further research
whether re-designing smaller filters is applicable for deep HAR. In the paper,
inspired by the idea, we proposed a lightweight CNN using Lego filters for HAR.
A set of lower-dimensional filters is used as Lego bricks to be stacked for
conventional filters, which does not rely on any special network structure. The
local loss function is used to train model. To our knowledge, this is the first
paper that proposes lightweight CNN for HAR in ubiquitous and wearable
computing arena. The experiment results on five public HAR datasets, UCI-HAR
dataset, OPPORTUNITY dataset, UNIMIB-SHAR dataset, PAMAP2 dataset, and WISDM
dataset collected from either smartphones or multiple sensor nodes, indicate
that our novel Lego CNN with local loss can greatly reduce memory and
computation cost over CNN, while achieving higher accuracy. That is to say, the
proposed model is smaller, faster and more accurate. Finally, we evaluate the
actual performance on an Android smartphone.
- Abstract（参考訳）: 近年、畳み込みニューラルネットワーク(CNN)は、さまざまなヒューマンアクティビティ認識(HAR)データセットに最新技術を適用している。
しかし、ディープCNNはより多くのコンピューティングリソースを必要とし、組み込みHARでのアプリケーションを制限する。
cnnのメモリとフラップを減らすために多くの成功した方法が提案されているが、それらはしばしば視覚的なタスクのために設計された特別なネットワークアーキテクチャを含んでいる。
したがって、HARを実行するための軽量な深層モデルを開発する必要がある。
フィルタがCNN構築の基本単位であるため,より小さなフィルタの再設計が深層HARに適用できるかどうか,さらなる研究が必要である。
このアイデアに触発された論文では,HAR用レゴフィルタを用いた軽量CNNを提案する。
レゴブロックとして低次元フィルタのセットを使用して従来のフィルタに積み重ねるが、特別なネットワーク構造に依存しない。
局所損失関数はモデルのトレーニングに使用される。
我々の知る限り、ユビキタスおよびウェアラブルコンピューティング分野におけるHARのための軽量CNNを提案する最初の論文である。
UCI-HARデータセット、OPPORTUNITYデータセット、UNIMIB-SHARデータセット、PAMAP2データセット、およびWASDMデータセットの5つの公開HARデータセットに対する実験結果は、我々の新しいLego CNNが局所的な損失を伴い、CNNよりもメモリと計算コストを大幅に削減し、高い精度を実現していることを示している。
つまり、提案されたモデルはより小さく、より速く、より正確である。
最後に,Androidスマートフォンの性能評価を行った。
関連論文リスト
- MatchNAS: Optimizing Edge AI in Sparse-Label Data Contexts via
Automating Deep Neural Network Porting for Mobile Deployment [54.77943671991863]
MatchNASはDeep Neural Networksをモバイルデバイスに移植するための新しいスキームである。
ラベル付きデータと非ラベル付きデータの両方を用いて、大規模なネットワークファミリを最適化する。
そして、さまざまなハードウェアプラットフォーム用に調整されたネットワークを自動的に検索する。
論文 参考訳（メタデータ） (2024-02-21T04:43:12Z) - SAR Despeckling Using Overcomplete Convolutional Networks [53.99620005035804]
スペックルはSAR画像を劣化させるため、リモートセンシングにおいて重要な問題である。
近年の研究では、畳み込みニューラルネットワーク(CNN)が古典的解法よりも優れていることが示されている。
本研究は、受容場を制限することで低レベルの特徴を学習することに集中するために、過剰なCNNアーキテクチャを用いる。
本稿では,合成および実SAR画像の非特定化手法と比較して,提案手法により非特定化性能が向上することを示す。
論文 参考訳（メタデータ） (2022-05-31T15:55:37Z) - Lost Vibration Test Data Recovery Using Convolutional Neural Network: A
Case Study [0.0]
本稿では,アラモサキャニオン橋のCNNアルゴリズムを実構造として提案する。
3つの異なるCNNモデルは、1つと2つの故障したセンサーを予測するものとされた。
畳み込み層を追加することによりモデルの精度が向上した。
論文 参考訳（メタデータ） (2022-04-11T23:24:03Z) - CondenseNeXt: An Ultra-Efficient Deep Neural Network for Embedded
Systems [0.0]
畳み込みニューラルネットワーク(英: Convolutional Neural Network, CNN)は、画像センサが捉えた視覚画像の分析に広く用いられているディープニューラルネットワーク(DNN)のクラスである。
本稿では,組込みシステム上でのリアルタイム推論のために,既存のCNNアーキテクチャの性能を改善するために,深層畳み込みニューラルネットワークアーキテクチャの新しい変種を提案する。
論文 参考訳（メタデータ） (2021-12-01T18:20:52Z) - Pixel Difference Networks for Efficient Edge Detection [71.03915957914532]
本稿では,Pixel Difference Network (PiDiNet) という軽量かつ効率的なエッジ検出アーキテクチャを提案する。
BSDS500、NYUD、Multicueのデータセットに関する大規模な実験が、その効果を示すために提供されている。
0.1M未満のパラメータを持つPiDiNetのより高速なバージョンは、200FPSのアーティファクトで同等のパフォーマンスを達成できる。
論文 参考訳（メタデータ） (2021-08-16T10:42:59Z) - RANP: Resource Aware Neuron Pruning at Initialization for 3D CNNs [32.054160078692036]
3D CNNを高いスパーシティレベルにプルーンするResource Aware Neuron Pruning (RANP)アルゴリズムを紹介します。
提案アルゴリズムは, FLOPの約50%-95%の削減, メモリの35%-80%の削減を実現している。
論文 参考訳（メタデータ） (2021-02-09T04:35:29Z) - Real-time Human Activity Recognition Using Conditionally Parametrized
Convolutions on Mobile and Wearable Devices [14.260179062012512]
ディープ畳み込みニューラルネットワーク(CNN)は、さまざまなHARデータセットで最先端のパフォーマンスを達成した。
深い傾きの操作の多さは計算コストを増大させ,モバイルおよびウェアラブルセンサを用いたリアルタイムHARには適さない。
本研究では,モバイルおよびウェアラブルデバイス上でのリアルタイムHARのための条件パラメタライズド・コンボリューションを用いた効率的なCNNを提案する。
論文 参考訳（メタデータ） (2020-06-05T07:06:42Z) - Curriculum By Smoothing [52.08553521577014]
畳み込みニューラルネットワーク(CNN)は、画像分類、検出、セグメンテーションなどのコンピュータビジョンタスクにおいて顕著な性能を示している。
アンチエイリアスフィルタやローパスフィルタを用いてCNNの機能埋め込みを円滑化するエレガントなカリキュラムベースのスキームを提案する。
トレーニング中に特徴マップ内の情報量が増加するにつれて、ネットワークはデータのより優れた表現を徐々に学習することができる。
論文 参考訳（メタデータ） (2020-03-03T07:27:44Z) - Filter Grafting for Deep Neural Networks [71.39169475500324]
ディープニューラルネットワーク(DNN)の表現能力向上を目的としたフィルタグラフト
我々は,フィルタの情報を測定するエントロピーベースの基準と,ネットワーク間のグラフト情報のバランスをとるための適応重み付け戦略を開発する。
例えば、グラフトされたMobileNetV2は、CIFAR-100データセットで非グラフトされたMobileNetV2を約7%上回っている。
論文 参考訳（メタデータ） (2020-01-15T03:18:57Z) - Approximation and Non-parametric Estimation of ResNet-type Convolutional
Neural Networks [52.972605601174955]
本稿では,ResNet型CNNが重要な関数クラスにおいて最小誤差率を達成可能であることを示す。
Barron と H'older のクラスに対する前述のタイプの CNN の近似と推定誤差率を導出する。
論文 参考訳（メタデータ） (2019-03-24T19:42:39Z)
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。