論文の概要: A benchmark of data stream classification for human activity recognition on connected objects

• arxiv url: http://arxiv.org/abs/2008.11880v1
• Date: Thu, 27 Aug 2020 01:42:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-24 07:07:26.776392
• Title: A benchmark of data stream classification for human activity recognition on connected objects
• Title（参考訳）: 連結物体上の人間行動認識のためのデータストリーム分類のベンチマーク
• Authors: Martin Khannouz and Tristan Glatard
• Abstract要約: 通常の5つのストリーム分類アルゴリズムの分類性能と資源消費の両面を計測する。 その結果,HT,MF,NB分類器のFNNおよびMCNNに対する総合的な優位性を示した。 我々は、接続オブジェクト上のHARのストリーム学習は、興味深い将来の作業につながる可能性のある2つの要因によって挑戦されていると結論付けている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper evaluates data stream classifiers from the perspective of connected devices, focusing on the use case of HAR. We measure both classification performance and resource consumption (runtime, memory, and power) of five usual stream classification algorithms, implemented in a consistent library, and applied to two real human activity datasets and to three synthetic datasets. Regarding classification performance, results show an overall superiority of the HT, the MF, and the NB classifiers over the FNN and the Micro Cluster Nearest Neighbor (MCNN) classifiers on 4 datasets out of 6, including the real ones. In addition, the HT, and to some extent MCNN, are the only classifiers that can recover from a concept drift. Overall, the three leading classifiers still perform substantially lower than an offline classifier on the real datasets. Regarding resource consumption, the HT and the MF are the most memory intensive and have the longest runtime, however, no difference in power consumption is found between classifiers. We conclude that stream learning for HAR on connected objects is challenged by two factors which could lead to interesting future work: a high memory consumption and low F1 scores overall.
• Abstract（参考訳）: 本稿では,harのユースケースに着目し,接続デバイスの観点からデータストリーム分類器を評価する。 我々は,従来の5つのストリーム分類アルゴリズムの分類性能と資源消費(ランタイム,メモリ,電力)を一貫したライブラリに実装し,実際の2つの活動データセットと3つの合成データセットに適用した。 分類性能については,ht,mf,nb分類器がfnnおよびmnn近傍(mcnn)を上回って,実データを含む6つのデータセットのうち4つの分類器において,ht,mf,nb分類器の総合的優位を示す。 さらに、HTとある程度のMCNNは、概念ドリフトから回復できる唯一の分類器である。 全体として、3つの主要な分類器は、実際のデータセットのオフライン分類器よりもかなり低い性能を保っている。 リソース消費に関しては、HTとMFが最もメモリ集約的で、実行時間が長いが、分類器間での消費電力の差は見つからない。 接続オブジェクト上でのHARのストリーム学習は、メモリ消費の増大と全体的なF1スコアの低下という、興味深い将来的な作業に繋がる2つの要因によって挑戦されている。

関連論文リスト

• Feature Decoupling-Recycling Network for Fast Interactive Segmentation [79.22497777645806]
  近年のインタラクティブセグメンテーション手法では,入力としてソースイメージ,ユーザガイダンス,従来予測されていたマスクを反復的に取り込んでいる。 本稿では,本質的な相違点に基づいてモデリングコンポーネントを分離するFDRN(Feature Decoupling-Recycling Network)を提案する。
  論文  参考訳（メタデータ） (2023-08-07T12:26:34Z)
• CARD: Semantic Segmentation with Efficient Class-Aware Regularized Decoder [31.223271128719603]
  特徴学習におけるクラス内分散とクラス間距離を最適化するためのクラス認識正規化(CAR)手法を提案する。 CARはトレーニング中に既存のほとんどのセグメンテーションモデルに直接適用することができ、追加の推論オーバーヘッドなしに精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2023-01-11T01:41:37Z)
• CAR: Class-aware Regularizations for Semantic Segmentation [20.947897583427192]
  特徴学習におけるクラス内分散とクラス間距離を最適化するためのクラス認識正規化(CAR)手法を提案する。 本手法は,OCRやCPNetを含む既存のセグメンテーションモデルに容易に適用することができる。
  論文  参考訳（メタデータ） (2022-03-14T15:02:48Z)
• The Overlooked Classifier in Human-Object Interaction Recognition [82.20671129356037]
  クラス間の意味的相関を分類ヘッドにエンコードし,重みをHOIの言語埋め込みで初期化する。 我々は,LSE-Sign という新しい損失を,長い尾を持つデータセット上でのマルチラベル学習を強化するために提案する。 我々は,物体検出と人間のポーズを明確なマージンで求める最先端技術よりも優れた,検出不要なHOI分類を可能にする。
  論文  参考訳（メタデータ） (2022-03-10T23:35:00Z)
• Open-Set Recognition: A Good Closed-Set Classifier is All You Need [146.6814176602689]
  分類器が「ゼロ・オブ・ア・ア・ア・ベ」決定を行う能力は、閉集合クラスにおける精度と高い相関関係があることが示される。 この相関を利用して、閉セット精度を向上させることにより、クロスエントロピーOSR'ベースライン'の性能を向上させる。 また、セマンティックノベルティを検出するタスクをより尊重する新しいベンチマークを構築した。
  論文  参考訳（メタデータ） (2021-10-12T17:58:59Z)
• No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
  実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。 このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。 実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
  論文  参考訳（メタデータ） (2021-06-09T12:02:29Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)
• EEMC: Embedding Enhanced Multi-tag Classification [0.966840768820136]
  表現学習を用いて分類器の性能を向上させることは、非常に重要な研究方向である。 表現学習技術を用いて、生データ(グラフのノード)を低次元の特徴空間にマッピングする。 この空間において、各生データは低次元ベクトル表現を取得し、それらのベクトルに対して簡単な線形演算を行い、仮想データを生成する。
  論文  参考訳（メタデータ） (2020-09-29T07:29:34Z)
• DHOG: Deep Hierarchical Object Grouping [0.0]
  本研究では,相互情報量(勾配最適化など)を最大化するための欲求的あるいは局所的手法が,相互情報量規準の局所的最適性を発見することを示す。 本稿では,画像の多数の異なる表現を階層的順序で計算するディープ階層的オブジェクトグループ化(DHOG)を提案する。 これらの表現は、下層のオブジェクトクラスにグループ化する下流のタスクとよく一致している。
  論文  参考訳（メタデータ） (2020-03-13T14:11:48Z)
• New advances in enumerative biclustering algorithms with online partitioning [80.22629846165306]
  さらに、数値データセットの列に定数値を持つ最大二クラスタの効率的で完全で正しい非冗長列挙を実現できる二クラスタリングアルゴリズムであるRIn-Close_CVCを拡張した。 改良されたアルゴリズムはRIn-Close_CVC3と呼ばれ、RIn-Close_CVCの魅力的な特性を保ちます。
  論文  参考訳（メタデータ） (2020-03-07T14:54:26Z)

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。