論文の概要: Learning-to-Learn Personalised Human Activity Recognition Models
- arxiv url: http://arxiv.org/abs/2006.07472v1
- Date: Fri, 12 Jun 2020 21:11:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 03:16:10.682076
- Title: Learning-to-Learn Personalised Human Activity Recognition Models
- Title（参考訳）: 学習から学習へのパーソナライズされた人間活動認識モデル
- Authors: Anjana Wijekoon, Nirmalie Wiratunga
- Abstract要約: 本稿では,HARのための個人化されたHARモデルを学習するためのメタラーニング手法を提案する。
既存のメタラーニングアルゴリズムにインスパイアされたパーソナライズされたMAMLとパーソナライズされた関係ネットワークの2つのアルゴリズムを紹介する。
比較研究では、最先端のDeep Learningアルゴリズムと、複数のHARドメインにおけるFew-shot Meta-Learningアルゴリズムに対して、大幅なパフォーマンス改善が示されている。
- 参考スコア（独自算出の注目度）: 1.5087842661221904
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Human Activity Recognition~(HAR) is the classification of human movement,
captured using one or more sensors either as wearables or embedded in the
environment~(e.g. depth cameras, pressure mats). State-of-the-art methods of
HAR rely on having access to a considerable amount of labelled data to train
deep architectures with many train-able parameters. This becomes prohibitive
when tasked with creating models that are sensitive to personal nuances in
human movement, explicitly present when performing exercises. In addition, it
is not possible to collect training data to cover all possible subjects in the
target population. Accordingly, learning personalised models with few data
remains an interesting challenge for HAR research. We present a meta-learning
methodology for learning to learn personalised HAR models for HAR; with the
expectation that the end-user need only provides a few labelled data but can
benefit from the rapid adaptation of a generic meta-model. We introduce two
algorithms, Personalised MAML and Personalised Relation Networks inspired by
existing Meta-Learning algorithms but optimised for learning HAR models that
are adaptable to any person in health and well-being applications. A
comparative study shows significant performance improvements against the
state-of-the-art Deep Learning algorithms and the Few-shot Meta-Learning
algorithms in multiple HAR domains.
- Abstract（参考訳）: HAR(Human Activity Recognition)は、人間の動きの分類であり、ウェアラブルまたは環境に埋め込まれた1つ以上のセンサー(ディープカメラ、圧力マットなど)を用いてキャプチャされる。
harの最先端の手法は、大量のラベル付きデータにアクセスして、多くのトレイン可能なパラメータで深いアーキテクチャをトレーニングする。
これは、人間の運動における個人的ニュアンスに敏感なモデルを作成することを任務とするときに禁止される。
また、対象人口のすべての被写体をカバーするためのトレーニングデータを収集することは不可能である。
したがって、データが少ないパーソナライズされたモデルを学ぶことは、HAR研究にとって興味深い課題である。
本稿では,HARのための個人化されたHARモデルを学習するためのメタラーニング手法を提案する。
既存のメタラーニングアルゴリズムにインスパイアされたパーソナライズされたMAMLとパーソナライズされた関係ネットワークの2つのアルゴリズムを紹介する。
比較研究では、最先端のDeep Learningアルゴリズムと、複数のHARドメインにおけるFew-shot Meta-Learningアルゴリズムに対して、大幅なパフォーマンス改善が示されている。
関連論文リスト
- A Comprehensive Methodological Survey of Human Activity Recognition Across Divers Data Modalities [2.916558661202724]
人間活動認識(HAR)システムは、人間の行動を理解し、それぞれの行動にラベルを割り当てることを目的としている。
HARは、RGB画像やビデオ、スケルトン、深度、赤外線、ポイントクラウド、イベントストリーム、オーディオ、アクセラレーション、レーダー信号など、さまざまなデータモダリティを利用することができる。
本稿は,2014年から2024年までのHARの最新の進歩に関する包括的調査である。
論文 参考訳（メタデータ） (2024-09-15T10:04:44Z) - PILOT: A Pre-Trained Model-Based Continual Learning Toolbox [71.63186089279218]
本稿では,PILOTとして知られるモデルベース連続学習ツールボックスについて紹介する。
一方、PILOTはL2P、DualPrompt、CODA-Promptといった事前学習モデルに基づいて、最先端のクラスインクリメンタル学習アルゴリズムを実装している。
一方、PILOTは、事前学習されたモデルの文脈に典型的なクラス増分学習アルゴリズムを適合させ、それらの効果を評価する。
論文 参考訳（メタデータ） (2023-09-13T17:55:11Z) - Efficient Adaptive Human-Object Interaction Detection with
Concept-guided Memory [64.11870454160614]
概念誘導メモリ(ADA-CM)を用いた適応型HOI検出器を提案する。
ADA-CMには2つの操作モードがある。最初のモードでは、トレーニング不要のパラダイムで新しいパラメータを学習することなくチューニングできる。
提案手法は, HICO-DET と V-COCO のデータセットに対して, より少ないトレーニング時間で, 最新技術による競合的な結果を得る。
論文 参考訳（メタデータ） (2023-09-07T13:10:06Z) - randomHAR: Improving Ensemble Deep Learners for Human Activity
Recognition with Sensor Selection and Reinforcement Learning [4.5830802802139585]
randomHARの基本的な考え方は、ランダムに選択されたセンサーデータに基づいて、同じアーキテクチャで一連のディープラーニングモデルをトレーニングすることだ。
既存の作業とは対照的に、このアプローチは構成モデルのアーキテクチャよりもアンサンブルプロセスを最適化する。
実験により,提案手法は最先端手法であるアンサンブルLSTMよりも優れていることが示された。
論文 参考訳（メタデータ） (2023-07-15T10:51:03Z) - 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) - Efficient Deep Clustering of Human Activities and How to Improve
Evaluation [53.08810276824894]
我々は,ヒト活動の再コーグ・ニオン(HAR)のための新しい深層クラスタリングモデルを提案する。
本稿では,HARクラスタリングモデルがどのように評価されるかという,いくつかの異なる問題を取り上げる。
次に、これらの問題に対する解決策について議論し、将来の深層HARクラスタリングモデルに対する標準評価設定を提案する。
論文 参考訳（メタデータ） (2022-09-17T14:12:42Z) - Easy Ensemble: Simple Deep Ensemble Learning for Sensor-Based Human
Activity Recognition [0.0]
センサを用いたヒューマンアクティビティ認識(HAR)のための簡易アンサンブル(EE)を提案する。
EEは、単一のモデルでディープアンサンブル学習を簡単に実装できる。
また,脳波の入力を多様化する手法として,入力マスキングを提案する。
論文 参考訳（メタデータ） (2022-03-08T15:30:32Z) - What Matters in Learning from Offline Human Demonstrations for Robot
Manipulation [64.43440450794495]
ロボット操作のための6つのオフライン学習アルゴリズムについて広範な研究を行う。
我々の研究は、オフラインの人間のデータから学習する際の最も重要な課題を分析します。
人間のデータセットから学ぶ機会を強調します。
論文 参考訳（メタデータ） (2021-08-06T20:48:30Z) - Efficient Realistic Data Generation Framework leveraging Deep
Learning-based Human Digitization [0.0]
提案手法は、実際の背景画像として入力され、さまざまなポーズで人物を投入する。
対応するタスクのベンチマークと評価は、実データに対する補足として、合成データが効果的に使用できることを示している。
論文 参考訳（メタデータ） (2021-06-28T08:07:31Z) - Personalized Semi-Supervised Federated Learning for Human Activity
Recognition [1.9014535120129343]
人間活動認識のための新しいハイブリッド手法であるFedHARを提案する。
FedHARは半教師付きとフェデレーション学習を組み合わせたものです。
我々は、FedHARが最新のFL監督アプローチに類似した認識率とパーソナライゼーション能力に達することを示しています。
論文 参考訳（メタデータ） (2021-04-15T10:24:18Z) - Few-Cost Salient Object Detection with Adversarial-Paced Learning [95.0220555274653]
本稿では,少数のトレーニング画像にのみ手動アノテーションを応用して,効果的なサルエント物体検出モデルを学習することを提案する。
我々は,このタスクを,少額の有能な物体検出とみなし,少数のコストの学習シナリオを促進するために,APL(Adversarialpaced Learning)ベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2021-04-05T14:15:49Z)
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。