Fugu-MT 論文翻訳(概要): Transfer Learning for Activity Recognition in Mobile Health

論文の概要: Transfer Learning for Activity Recognition in Mobile Health

arxiv url: http://arxiv.org/abs/2007.06062v1
Date: Sun, 12 Jul 2020 18:32:46 GMT
ステータス: 処理完了
システム内更新日: 2022-11-11 05:39:38.321869
Title: Transfer Learning for Activity Recognition in Mobile Health
Title（参考訳）: 移動体保健における行動認識のための伝達学習
Authors: Yuchao Ma, Andrew T. Campbell, Diane J. Cook, John Lach, Shwetak N. Patel, Thomas Ploetz, Majid Sarrafzadeh, Donna Spruijt-Metz, Hassan Ghasemzadeh
Abstract要約: 本稿では,センサを用いた行動認識のためのトランスファー学習フレームワークであるTransFallを提案する。 TransFallの設計には、2層データ変換、ラベル推定層、アクティビティを認識するモデル生成層が含まれる。
参考スコア（独自算出の注目度）: 25.55272617672269
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: While activity recognition from inertial sensors holds potential for mobile health, differences in sensing platforms and user movement patterns cause performance degradation. Aiming to address these challenges, we propose a transfer learning framework, TransFall, for sensor-based activity recognition. TransFall's design contains a two-tier data transformation, a label estimation layer, and a model generation layer to recognize activities for the new scenario. We validate TransFall analytically and empirically.
Abstract（参考訳）: 慣性センサからのアクティビティ認識はモバイルの健康に有益であるが、センシングプラットフォームとユーザの動きパターンの違いはパフォーマンスの劣化を引き起こす。これらの課題に対処すべく,センサに基づくアクティビティ認識のためのトランスファー学習フレームワークtransfallを提案する。 transfallの設計には、2層データ変換、ラベル推定層、新しいシナリオのアクティビティを認識するモデル生成層が含まれている。 TransFallを解析的かつ実証的に検証する。

関連論文リスト

Language-centered Human Activity Recognition [8.925867647929088]
Inertial Measurement Unit(IMU)センサーを用いたHAR(Human Activity Recognition)は、医療、安全、産業生産における応用において重要である。アクティビティパターン、デバイスタイプ、センサー配置の変化は、データセット間の分散ギャップを生成する。本稿では,センサの読み書きとアクティビティラベルのセマンティック解釈を生成するシステムであるLanHARを提案する。
論文参考訳（メタデータ） (2024-09-12T22:57:29Z)
Representation Learning for Wearable-Based Applications in the Case of Missing Data [20.37256375888501]
実環境におけるマルチモーダルセンサデータは、データ品質が低く、データアノテーションが限られているため、依然として困難である。本稿では,不足するウェアラブルデータに対する表現学習について検討し,最新統計手法と比較する。本研究は,マスキングに基づく自己指導型学習タスクの設計と開発に関する知見を提供する。
論文参考訳（メタデータ） (2024-01-08T08:21:37Z)
Evaluating the structure of cognitive tasks with transfer learning [67.22168759751541]
本研究では,脳波復号処理における深層学習表現の伝達可能性について検討した。最近リリースされた2つのEEGデータセット上で、最先端デコードモデルを用いて広範な実験を行う。
論文参考訳（メタデータ） (2023-07-28T14:51:09Z)
Object Discovery from Motion-Guided Tokens [50.988525184497334]
自動エンコーダ表現学習フレームワークを、モーションガイダンスと中間レベルの特徴トークン化により強化する。我々のアプローチは、解釈可能なオブジェクト固有の中間レベルの特徴の出現を可能にする。
論文参考訳（メタデータ） (2023-03-27T19:14:00Z)
Unsupervised Motion Representation Learning with Capsule Autoencoders [54.81628825371412]
Motion Capsule Autoencoder (MCAE) は、2レベル階層のモーションをモデル化する。 MCAEは、新しいTrajectory20モーションデータセットと、様々な現実世界の骨格に基づく人間のアクションデータセットで評価されている。
論文参考訳（メタデータ） (2021-10-01T16:52:03Z)
Attention-based Adversarial Appearance Learning of Augmented Pedestrians [49.25430012369125]
本稿では,歩行者認識タスクのための現実的なデータを合成する手法を提案する。本手法は, 対向的損失によって駆動される注意機構を用いて, ドメインの相違を学習する。提案手法はこのような不一致に対して頑健であり,視覚的リアリズムと意味的整合性の両方を明らかにする。
論文参考訳（メタデータ） (2021-07-06T15:27:00Z)
Hierarchical Self Attention Based Autoencoder for Open-Set Human Activity Recognition [2.492343817244558]
ウェアラブルセンサを用いたヒューマンアクティビティ認識のための自己注目型アプローチを提案する。エンコーダからの自己アテンションに基づく特徴表現を組み込んで、オープンセットの認識設定で見えないアクティビティクラスを検出する。ボディウォーンセンサ信号の雑音に対するロバスト性および被写体特異的変動性が著しく改善されたことを示す広範な検証実験を行う。
論文参考訳（メタデータ） (2021-03-07T06:21:18Z)
Learning Invariant Representations across Domains and Tasks [81.30046935430791]
本稿では,この教師なしタスク転送問題を解決するための新しいタスク適応ネットワーク(tan)を提案する。ドメイン・アドバーサル・トレーニングによる伝達可能な機能を学習することに加えて、学習から学習への戦略を用いてタスクの意味を適応させる新しいタスク・セマンティクス・アダプタを提案する。 TANは最近の強いベースラインに比べてリコールとF1スコアを5.0%と7.8%大きく向上させた。
論文参考訳（メタデータ） (2021-03-03T11:18:43Z)
Semantics-aware Adaptive Knowledge Distillation for Sensor-to-Vision Action Recognition [131.6328804788164]
本稿では,視覚・センサ・モダリティ(動画)における行動認識を強化するためのフレームワーク,Semantics-Aware Adaptive Knowledge Distillation Networks (SAKDN)を提案する。 SAKDNは複数のウェアラブルセンサーを教師のモダリティとして使用し、RGB動画を学生のモダリティとして使用している。
論文参考訳（メタデータ） (2020-09-01T03:38:31Z)
Disentangled Adversarial Transfer Learning for Physiological Biosignals [24.02384472840036]
本稿では, 生理的生体信号データから, 絡み合ったニュアンス・ロバスト表現を抽出するために, 移動学習のための逆推論手法を提案する。クロスオブジェクト転送評価の結果は,提案手法の利点を示している。
論文参考訳（メタデータ） (2020-04-15T01:56:56Z)

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。