論文の概要: Towards Deep Clustering of Human Activities from Wearables

• arxiv url: http://arxiv.org/abs/2008.01659v2
• Date: Wed, 19 Aug 2020 05:35:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-03 20:01:45.366319
• Title: Towards Deep Clustering of Human Activities from Wearables
• Title（参考訳）: ウェアラブルから人間活動の深層的クラスタリングに向けて
• Authors: Alireza Abedin, Farbod Motlagh, Qinfeng Shi, Seyed Hamid Rezatofighi, Damith Chinthana Ranasinghe
• Abstract要約: 本研究では,ウェアラブルからの人間行動認識の基本的な問題に対して,教師なしのエンドツーエンド学習戦略を開発する。 本研究では,センサデータの教師なし表現を協調的に学習し,異なる人間の活動に強い意味的対応を持つクラスタ代入を生成する手法の有効性を示す。
• 参考スコア（独自算出の注目度）: 21.198881633580797
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Our ability to exploit low-cost wearable sensing modalities for critical human behaviour and activity monitoring applications in health and wellness is reliant on supervised learning regimes; here, deep learning paradigms have proven extremely successful in learning activity representations from annotated data. However, the costly work of gathering and annotating sensory activity datasets is labor-intensive, time consuming and not scalable to large volumes of data. While existing unsupervised remedies of deep clustering leverage network architectures and optimization objectives that are tailored for static image datasets, deep architectures to uncover cluster structures from raw sequence data captured by on-body sensors remains largely unexplored. In this paper, we develop an unsupervised end-to-end learning strategy for the fundamental problem of human activity recognition (HAR) from wearables. Through extensive experiments, including comparisons with existing methods, we show the effectiveness of our approach to jointly learn unsupervised representations for sensory data and generate cluster assignments with strong semantic correspondence to distinct human activities.
• Abstract（参考訳）: 人間の行動および健康および健康における活動監視のアプリケーションに対する低コストなウェアラブルセンシングモダリティを活用する能力は、教師付き学習体制に依存している。 しかし、センサアクティビティデータセットの収集と注釈付けのコストのかかる作業は、労働集約的で、時間がかかり、大量のデータに対してスケーラビリティがない。 既存の教師なしのディープクラスタリングの修正は、静的イメージデータセット用に調整されたネットワークアーキテクチャと最適化目標を活用するが、深層アーキテクチャは、オンボディセンサーによってキャプチャされた生のシーケンスデータからクラスタ構造を明らかにする。 本稿では,ウェアラブル端末からのヒューマンアクティビティ認識(HAR)の基本問題に対する教師なしエンドツーエンド学習戦略を開発する。 既存の手法との比較を含む広範な実験を通して,センサデータの教師なし表現を共同学習し,異なる人間の活動に強い意味的対応を持つクラスタ代入を生成する手法の有効性を示す。

関連論文リスト

• Visual-Geometric Collaborative Guidance for Affordance Learning [63.038406948791454]
  本稿では,視覚的・幾何学的手がかりを取り入れた視覚・幾何学的協調学習ネットワークを提案する。 本手法は,客観的指標と視覚的品質の代表的なモデルより優れている。
  論文  参考訳（メタデータ） (2024-10-15T07:35:51Z)
• 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)
• Unsupervised Embedding Learning for Human Activity Recognition Using Wearable Sensor Data [2.398608007786179]
  我々は,人間の活動が密接な位置にある埋め込み空間に投影する,教師なしの手法を提案する。 3つのラベル付きベンチマークデータセットの実験結果は、フレームワークの有効性を示している。
  論文  参考訳（メタデータ） (2023-07-21T08:52:47Z)
• 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)
• Responsible Active Learning via Human-in-the-loop Peer Study [88.01358655203441]
  我々は,データプライバシを同時に保持し,モデルの安定性を向上させるために,Pear Study Learning (PSL) と呼ばれる責任あるアクティブラーニング手法を提案する。 まず,クラウドサイドのタスク学習者(教師)から未学習データを分離する。 トレーニング中、タスク学習者は軽量なアクティブ学習者に指示し、アクティブサンプリング基準に対するフィードバックを提供する。
  論文  参考訳（メタデータ） (2022-11-24T13:18:27Z)
• Unsupervised Deep Learning-based clustering for Human Activity Recognition [8.716606664673982]
  本稿では,多次元慣性信号を自動的にラベル付けするDLベースのクラスタリングアーキテクチャであるdisC(Deep Inertial Sensory Clustering)を提案する。 このアーキテクチャは、リカレントオートエンコーダとクラスタリング基準を組み合わせることで、人間の活動関連信号を予測する。 この実験は、クラスタリング精度と正規化相互情報量の両方に対するdisCの有効性を示す。
  論文  参考訳（メタデータ） (2022-11-10T10:56:47Z)
• Bridging the Gap to Real-World Object-Centric Learning [66.55867830853803]
  自己教師付き方法で訓練されたモデルから特徴を再構成することは、完全に教師なしの方法でオブジェクト中心表現が生じるための十分な訓練信号であることを示す。 我々のアプローチであるDINOSAURは、シミュレーションデータ上で既存のオブジェクト中心学習モデルよりも大幅に優れています。
  論文  参考訳（メタデータ） (2022-09-29T15:24:47Z)
• Understanding the World Through Action [91.3755431537592]
  ラベルのないデータを利用するための汎用的で原則的で強力なフレームワークは、強化学習から導き出すことができると私は主張する。 このような手順が、下流の潜在的なタスクとどのように密接に一致しているかについて論じます。
  論文  参考訳（メタデータ） (2021-10-24T22:33:52Z)
• Guided-GAN: Adversarial Representation Learning for Activity Recognition with Wearables [9.399840807973545]
  GAN(Generative Adversarial Network)パラダイムは、ウェアラブルセンサデータから教師なしの特徴表現を学ぶためのパラダイムである。 Geometrically-Guided GAN または Guided-GAN for the task。 結果: Guided-GANは、完全に教師なしの表現でパフォーマンスに近づきながら、既存の教師なしのアプローチを上回ります。
  論文  参考訳（メタデータ） (2021-10-12T04:29:21Z)
• Clustering augmented Self-Supervised Learning: Anapplication to Land Cover Mapping [10.720852987343896]
  本稿では,自己教師型学習のためのクラスタリングに基づくプレテキストタスクを用いて,土地被覆マッピングの新しい手法を提案する。 社会的に関係のある2つのアプリケーションに対して,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2021-08-16T19:35:43Z)
• A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
  固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。 我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
  論文  参考訳（メタデータ） (2020-06-22T08:35:58Z)

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。