論文の概要: Personalization in Human Activity Recognition
- arxiv url: http://arxiv.org/abs/2009.00268v1
- Date: Tue, 1 Sep 2020 06:59:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-23 00:42:34.972963
- Title: Personalization in Human Activity Recognition
- Title(参考訳): 人間活動認識におけるパーソナライズ
- Authors: Anna Ferrari, Daniela Micucci, Marco Mobilio, Paolo Napoletano
- Abstract要約: HAR(Human Activity Recognition)は、人々の幸福をモニタリングするために重要である。
主な課題の1つは、人口の多様性と、同じ活動を異なる方法でどのように行うかに関するものである。
本稿では,物理特性と信号類似性を利用してより良い結果を得る可能性について検討する。
- 参考スコア(独自算出の注目度): 8.076841611508486
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the recent years there has been a growing interest in techniques able to
automatically recognize activities performed by people. This field is known as
Human Activity recognition (HAR). HAR can be crucial in monitoring the
wellbeing of the people, with special regard to the elder population and those
people affected by degenerative conditions. One of the main challenges concerns
the diversity of the population and how the same activities can be performed in
different ways due to physical characteristics and life-style. In this paper we
explore the possibility of exploiting physical characteristics and signal
similarity to achieve better results with respect to deep learning classifiers
that do not rely on this information.
- Abstract(参考訳): 近年,人々の行動を自動的に認識できる技術への関心が高まっている。
この分野はHuman Activity Recognition(HAR)として知られている。
harは高齢者や変性状態の影響を受ける人々について、人々の健康状態を監視する上で非常に重要である。
主な課題の1つは、人口の多様性と、身体的特徴や生活様式によって、同じ活動がどのように異なる方法で行われるかである。
本稿では,この情報に依存しない深層学習分類器に対して,物理特性と信号類似性を活用してよりよい結果を得る可能性について検討する。
関連論文リスト
- 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) - A Matter of Annotation: An Empirical Study on In Situ and Self-Recall
Activity Annotations from Wearable Sensors [79.57744087902266]
そこで本研究では,Wildデータに着目した4つのアノテーション手法を比較した。
本研究は,異なるラベル付け手法がアノテーションの品質に直接影響を及ぼすことを示す。
アクティビティダイアログと可視化ツールを組み合わせることで,参加者のアクティビティデータを検査し,ラベル付けすることができる。
論文 参考訳(メタデータ) (2023-05-15T16:02:56Z) - Multi-Channel Time-Series Person and Soft-Biometric Identification [65.83256210066787]
本研究は, 深層建築を用いて異なる活動を行う人間の記録から, 個人とソフトバイオメトリックスを同定する。
マルチチャネル時系列ヒューマンアクティビティ認識(HAR)の4つのデータセットに対する手法の評価を行った。
ソフトバイオメトリクスに基づく属性表現は、有望な結果を示し、より大きなデータセットの必要性を強調している。
論文 参考訳(メタデータ) (2023-04-04T07:24:51Z) - Dataset Bias in Human Activity Recognition [57.91018542715725]
このコントリビューションは、トレーニングデータを統計的にキュレートし、人間の身体的特性がHARのパフォーマンスにどの程度影響するかを評価する。
時系列HARのセンサ,アクティビティ,記録の異なる2つのHARデータセット上で,最先端の畳み込みニューラルネットワークの性能を評価する。
論文 参考訳(メタデータ) (2023-01-19T12:33:50Z) - I am Only Happy When There is Light: The Impact of Environmental Changes
on Affective Facial Expressions Recognition [65.69256728493015]
本研究では,異なる画像条件が人間の表情からの覚醒の認識に与える影響について検討した。
以上の結果から,人間の感情状態の解釈が肯定的,否定的に大きく異なることが示唆された。
論文 参考訳(メタデータ) (2022-10-28T16:28:26Z) - RunnerDNA: Interpretable indicators and model to characterize human
activity pattern and individual difference [8.820303797376752]
5つの解釈可能な指標、バランス、ストライド、ステアリング、安定性、振幅からなるRunnerDNAの概念が、個々のレベルでの人間の活動を記述するために提案された。
歩行,ランニング,自転車などの身体活動に従事するボランティア33名を対象に,スマートフォンのマルチセンサデータを収集した。
インジケータはランダムな森林モデルを構築し、運動活動とユーザのアイデンティティを認識するために使用される。
論文 参考訳(メタデータ) (2022-01-19T01:09:30Z) - Deep Collaborative Multi-Modal Learning for Unsupervised Kinship
Estimation [53.62256887837659]
キンシップ検証は、コンピュータビジョンにおける長年の研究課題である。
本稿では,顔特性に表される基礎情報を統合するために,新しい協調型多モーダル学習(DCML)を提案する。
我々のDCML法は、常に最先端のキンシップ検証法よりも優れている。
論文 参考訳(メタデータ) (2021-09-07T01:34:51Z) - Preserving Privacy in Human-Motion Affect Recognition [4.753703852165805]
本研究は,3次元の時間的関節信号と手動抽出特徴を用いた感情認識における既存手法の有効性を評価する。
本稿では,マルチエンコーダ自動エンコーダ深層ニューラルネットワークを訓練し,人間の動作特徴の不連続な潜在表現を学習するクロスサブジェクトトランスファー学習手法を提案する。
論文 参考訳(メタデータ) (2021-05-09T15:26:21Z) - Human Activity Recognition Using Multichannel Convolutional Neural
Network [0.0]
人間の活動認識(HAR)は、単に人間の行動を知覚する機械の能力を指します。
本論文では,実用的行動から収集したデータに基づいて,人間の行動を区別できる教師付き学習法について述べる。
このモデルはUCI HARデータセットでテストされ、95.25%の分類精度が得られた。
論文 参考訳(メタデータ) (2021-01-17T16:48:17Z) - Deep Learning for Sensor-based Human Activity Recognition: Overview,
Challenges and Opportunities [52.59080024266596]
本稿では,センサを用いた人間の活動認識のための最先端のディープラーニング手法について調査する。
まず、官能データのマルチモーダリティを導入し、公開データセットに情報を提供する。
次に、課題によって深層メソッドを構築するための新しい分類法を提案する。
論文 参考訳(メタデータ) (2020-01-21T09:55:59Z)
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。