Fugu-MT 論文翻訳(概要): Self-supervised Human Activity Recognition by Learning to Predict Cross-Dimensional Motion

論文の概要: Self-supervised Human Activity Recognition by Learning to Predict Cross-Dimensional Motion

arxiv url: http://arxiv.org/abs/2010.13713v2
Date: Thu, 2 Sep 2021 04:08:23 GMT
ステータス: 処理完了
システム内更新日: 2022-10-05 01:01:59.758731
Title: Self-supervised Human Activity Recognition by Learning to Predict Cross-Dimensional Motion
Title（参考訳）: 二次元運動予測学習による自己教師付き人間活動認識
Authors: Setareh Rahimi Taghanaki, Michael Rainbow, Ali Etemad
Abstract要約: スマートフォン加速度計データを用いた人間行動認識のための自己教師型学習法を提案する。まず、ラベルなし入力信号の表現は、深層畳み込みニューラルネットワークを訓練して加速度計値のセグメントを予測することによって学習される。このタスクでは、凍結ネットワークの端に多数の完全に接続されたレイヤを追加し、ラベル付き加速度センサ信号で付加されたレイヤをトレーニングし、人間の活動の分類を学ぶ。
参考スコア（独自算出の注目度）: 16.457778420360537
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: We propose the use of self-supervised learning for human activity recognition with smartphone accelerometer data. Our proposed solution consists of two steps. First, the representations of unlabeled input signals are learned by training a deep convolutional neural network to predict a segment of accelerometer values. Our model exploits a novel scheme to leverage past and present motion in x and y dimensions, as well as past values of the z axis to predict values in the z dimension. This cross-dimensional prediction approach results in effective pretext training with which our model learns to extract strong representations. Next, we freeze the convolution blocks and transfer the weights to our downstream network aimed at human activity recognition. For this task, we add a number of fully connected layers to the end of the frozen network and train the added layers with labeled accelerometer signals to learn to classify human activities. We evaluate the performance of our method on three publicly available human activity datasets: UCI HAR, MotionSense, and HAPT. The results show that our approach outperforms the existing methods and sets new state-of-the-art results.
Abstract（参考訳）: スマートフォン加速度計データを用いた人間行動認識のための自己教師型学習法を提案する。提案手法は2つのステップからなる。まず、深い畳み込みニューラルネットワークを訓練して加速度計値のセグメントを予測することで、ラベルなしの入力信号の表現を学習する。このモデルでは, x 次元と y 次元の過去の動きと現在の動きと,z 次元の値を予測するために,z 軸の過去の値を利用する。このクロス次元予測アプローチは、モデルが強い表現を抽出するために学習する効果的な前文学習をもたらす。次に,人間の行動認識を目的とした畳み込みブロックを凍結し,重み付けを下流ネットワークに転送する。このタスクのために、凍ったネットワークの端に複数の完全接続層を追加し、人間の活動の分類を学ぶためにラベル付き加速度計信号で追加層を訓練します。 UCI HAR, MotionSense, HAPTの3つの活動データセットを用いて, 提案手法の性能評価を行った。その結果,提案手法は既存の手法よりも優れており,最新の結果が得られた。

関連論文リスト

Learning Manipulation by Predicting Interaction [85.57297574510507]
本稿では,インタラクションを予測して操作を学習する一般的な事前学習パイプラインを提案する。実験の結果,MPIは従来のロボットプラットフォームと比較して10%から64%向上していることがわかった。
論文参考訳（メタデータ） (2024-06-01T13:28:31Z)
Decoding Human Activities: Analyzing Wearable Accelerometer and Gyroscope Data for Activity Recognition [1.262949092134022]
人の動きや相対位置は、異なる種類のセンサーによって効果的に捕捉することができ、対応するセンサ出力は、異なる人間の活動の分類のための様々なマニピュレータ技術に利用することができる。本稿では,FusionActNetという,多構造アーキテクチャにおける2つのユニークなアプローチを提案する。その結果,UCI HARとMotion-Senseのデータセットでは,精度,精度,リコール,F1スコアにおいて既存手法よりも97.35%,精度が95.35%向上していることが明らかとなった。
論文参考訳（メタデータ） (2023-10-03T12:34:31Z)
Baby Physical Safety Monitoring in Smart Home Using Action Recognition System [0.0]
本研究では,移動学習手法をConv2D LSTM層と組み合わせて,Kineeticsデータセット上の事前学習したI3Dモデルから特徴を抽出するフレームワークを提案する。スマートベビールームにおける赤ちゃんの活動を認識し,予測するために,LSTM畳み込みとI3D(ConvLSTM-I3D)を用いたベンチマークデータセットと自動モデルを開発した。
論文参考訳（メタデータ） (2022-10-22T19:00:14Z)
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)
Self-Supervised Human Activity Recognition with Localized Time-Frequency Contrastive Representation Learning [16.457778420360537]
スマートフォン加速度計データを用いた人間行動認識のための自己教師付き学習ソリューションを提案する。加速度計信号から強い表現を学習し,クラスラベルへの依存度を低減させるモデルを開発した。提案手法の性能をMotionSense, HAPT, HHARの3つのデータセットで評価した。
論文参考訳（メタデータ） (2022-08-26T22:47:18Z)
Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based Action Recognition [88.34182299496074]
アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
論文参考訳（メタデータ） (2022-07-17T07:05:39Z)
Neural Maximum A Posteriori Estimation on Unpaired Data for Motion Deblurring [87.97330195531029]
本稿では、ニューラルネットワークをトレーニングし、失明したデータから視覚情報や鋭いコンテンツを復元するためのニューラルネットワークの最大Aポストエリオリ(NeurMAP)推定フレームワークを提案する。提案されたNeurMAPは、既存のデブロアリングニューラルネットワークに対するアプローチであり、未使用データセット上のイメージデブロアリングネットワークのトレーニングを可能にする最初のフレームワークである。
論文参考訳（メタデータ） (2022-04-26T08:09:47Z)
Non-local Graph Convolutional Network for joint Activity Recognition and Motion Prediction [2.580765958706854]
3次元骨格に基づく運動予測と行動認識は、人間の行動分析における2つの中間課題である。本稿では, グラフ畳み込みニューラルネットワークとリカレントニューラルネットワークを併用した, 共同動作予測と活動認識のための新しい手法を提案する。
論文参考訳（メタデータ） (2021-08-03T14:07:10Z)
STAR: Sparse Transformer-based Action Recognition [61.490243467748314]
本研究は,空間的次元と時間的次元に細かな注意を払っている新しいスケルトンに基づく人間行動認識モデルを提案する。実験により、トレーニング可能なパラメータをはるかに少なくし、トレーニングや推論の高速化を図りながら、モデルが同等のパフォーマンスを達成できることが示されている。
論文参考訳（メタデータ） (2021-07-15T02:53:11Z)
Multi-level Motion Attention for Human Motion Prediction [132.29963836262394]
本研究は, 関節, 身体部分, フルポーズレベルなど, 異なる種類の注意力の使用について検討した。我々は,Human3.6M,AMASS,3DPWを用いて,周期的および非周期的両方の行動に対するアプローチの利点を検証した。
論文参考訳（メタデータ） (2021-06-17T08:08:11Z)
Entropy Decision Fusion for Smartphone Sensor based Human Activity Recognition [0.0]
本稿では,畳み込みニューラルネットワーク,再帰畳み込みネットワーク,ベクトルマシンをコンピュータで支援するためのアプローチを提案する。 UCI-HARとWISDMの2つのベンチマークデータセットで実験が行われた。
論文参考訳（メタデータ） (2020-05-30T21:09:38Z)

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。