論文の概要: An Efficient Data Imputation Technique for Human Activity Recognition
- arxiv url: http://arxiv.org/abs/2007.04456v1
- Date: Wed, 8 Jul 2020 22:05:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-12 12:48:37.907289
- Title: An Efficient Data Imputation Technique for Human Activity Recognition
- Title（参考訳）: ヒューマンアクティビティ認識のための効率的なデータインプテーション手法
- Authors: Ivan Miguel Pires, Faisal Hussain, Nuno M. Garcia, Eftim Zdravevski
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 3.0117625632585705
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The tremendous applications of human activity recognition are surging its
span from health monitoring systems to virtual reality applications. Thus, the
automatic recognition of daily life activities has become significant for
numerous applications. In recent years, many datasets have been proposed to
train the machine learning models for efficient monitoring and recognition of
human daily living activities. However, the performance of machine learning
models in activity recognition is crucially affected when there are incomplete
activities in a dataset, i.e., having missing samples in dataset captures.
Therefore, in this work, we propose a methodology for extrapolating the missing
samples of a dataset to better recognize the human daily living activities. The
proposed method efficiently pre-processes the data captures and utilizes the
k-Nearest Neighbors (KNN) imputation technique to extrapolate the missing
samples in dataset captures. The proposed methodology elegantly extrapolated a
similar pattern of activities as they were in the real dataset.
- Abstract（参考訳）: 人間の行動認識の膨大な応用は、健康モニタリングシステムからバーチャルリアリティーアプリケーションまで幅広く利用されている。
このように、多くの応用において日常生活活動の自動認識が重要になっている。
近年,人間の日常生活活動の効率的なモニタリングと認識のために,機械学習モデルを訓練するためのデータセットが多数提案されている。
しかし、データセットに不完全なアクティビティがある場合、すなわちデータセットキャプチャーにサンプルが欠けている場合、アクティビティ認識における機械学習モデルのパフォーマンスは重要な影響を受ける。
そこで本研究では,人間の日常生活活動をよりよく認識するために,データセットの欠落サンプルを外挿する手法を提案する。
提案手法は,k-nearest neighbors (knn) インプテーション手法を用いて,データキャプチャにおける欠落サンプルの抽出を行う。
提案手法は,実際のデータセットと類似したアクティビティパターンをエレガントに推定した。
関連論文リスト
- Consistency Based Weakly Self-Supervised Learning for Human Activity Recognition with Wearables [1.565361244756411]
センサデータから人間の活動を認識するための弱自己教師型アプローチについて述べる。
提案手法は, クラスタリングアルゴリズムが, 基礎となる人間の行動を特定し, 分類する上で, 同等のパフォーマンスを達成するのに有効であることを示す。
論文 参考訳（メタデータ） (2024-07-29T06:29:21Z) - 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) - Cluster-level pseudo-labelling for source-free cross-domain facial
expression recognition [94.56304526014875]
表情認識のためのSFUDA法を提案する。
本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。
提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
論文 参考訳（メタデータ） (2022-10-11T08:24:50Z) - Multi-dataset Training of Transformers for Robust Action Recognition [75.5695991766902]
動作認識のための複数のデータセットをうまく一般化することを目的として,ロバストな特徴表現の課題について検討する。
本稿では、情報損失と投影損失という2つの新しい損失項を設計した、新しいマルチデータセットトレーニングパラダイムであるMultiTrainを提案する。
本研究では,Kineetics-400,Kineetics-700,Moments-in-Time,Activitynet,Some-something-v2の5つの課題データセットに対して,本手法の有効性を検証する。
論文 参考訳（メタデータ） (2022-09-26T01:30:43Z) - 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) - 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) - A Framework for Efficient Robotic Manipulation [79.10407063260473]
単一のロボットアームがピクセルからスパースリワード操作ポリシーを学習できることを示します。
デモは10回しかなく、単一のロボットアームがピクセルからスパースリワード操作のポリシーを学習できることを示しています。
論文 参考訳（メタデータ） (2020-12-14T22:18:39Z) - Contrastive Predictive Coding for Human Activity Recognition [5.766384728949437]
本研究では,センサデータストリームの長期的時間構造をキャプチャする人間行動認識にContrastive Predictive Codingフレームワークを導入する。
CPCベースの事前学習は自己管理され、その結果得られた表現は標準のアクティビティチェーンに統合できる。
少量のラベル付きトレーニングデータしか利用できない場合、認識性能が大幅に向上します。
論文 参考訳（メタデータ） (2020-12-09T21:44:36Z) - 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) - Effective Human Activity Recognition Based on Small Datasets [11.521107108725188]
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。
論文 参考訳（メタデータ） (2020-04-29T06:38:23Z)
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。