論文の概要: ElderSim: A Synthetic Data Generation Platform for Human Action
Recognition in Eldercare Applications
- arxiv url: http://arxiv.org/abs/2010.14742v1
- Date: Wed, 28 Oct 2020 04:27:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-02 05:14:21.558499
- Title: ElderSim: A Synthetic Data Generation Platform for Human Action
Recognition in Eldercare Applications
- Title（参考訳）: eldersim:高齢者の行動認識のための合成データ生成プラットフォーム
- Authors: Hochul Hwang, Cheongjae Jang, Geonwoo Park, Junghyun Cho, Ig-Jae Kim
- Abstract要約: ElderSimは、高齢者の日々の活動に関する合成データを生成することができるアクションシミュレーションプラットフォームである。
我々は,高齢者の日常生活活動の大規模合成データセットであるKIST SynADLをElderSimから生成する。
実際のデータセットに加えて、このデータを使って、最先端の3つの人間の行動認識モデルをトレーニングします。
- 参考スコア（独自算出の注目度）: 9.35465358018908
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To train deep learning models for vision-based action recognition of elders'
daily activities, we need large-scale activity datasets acquired under various
daily living environments and conditions. However, most public datasets used in
human action recognition either differ from or have limited coverage of elders'
activities in many aspects, making it challenging to recognize elders' daily
activities well by only utilizing existing datasets. Recently, such limitations
of available datasets have actively been compensated by generating synthetic
data from realistic simulation environments and using those data to train deep
learning models. In this paper, based on these ideas we develop ElderSim, an
action simulation platform that can generate synthetic data on elders' daily
activities. For 55 kinds of frequent daily activities of the elders, ElderSim
generates realistic motions of synthetic characters with various adjustable
data-generating options, and provides different output modalities including RGB
videos, two- and three-dimensional skeleton trajectories. We then generate KIST
SynADL, a large-scale synthetic dataset of elders' activities of daily living,
from ElderSim and use the data in addition to real datasets to train three
state-of the-art human action recognition models. From the experiments
following several newly proposed scenarios that assume different real and
synthetic dataset configurations for training, we observe a noticeable
performance improvement by augmenting our synthetic data. We also offer
guidance with insights for the effective utilization of synthetic data to help
recognize elders' daily activities.
- Abstract（参考訳）: 高齢者の日常生活行動の視覚に基づく行動認識のための深層学習モデルを訓練するには,様々な生活環境や環境下での大規模活動データセットが必要である。
しかしながら、人間の行動認識に使用されるほとんどの公開データセットは、多くの点で高齢者の活動が異なるか、限定的なカバレッジを持っているため、既存のデータセットのみを利用することで高齢者の日々の活動の認識が困難である。
近年,現実的なシミュレーション環境から合成データを生成し,それらのデータを用いてディープラーニングモデルを訓練することで,利用可能なデータセットの制限を積極的に補償している。
本稿では,これらのアイデアに基づき,高齢者の日常活動に関する合成データを生成する行動シミュレーションプラットフォームである eldersim を開発した。
高齢者の55種類の頻繁な日常活動では,様々な調整可能なデータ生成オプションを備えた合成文字のリアルな動作を生成し,rgbビデオ,2次元および3次元骨格軌跡などの出力モードを提供する。
次に,高齢者の日常生活活動に関する大規模合成データセットであるkist synadlを eldersim から生成し,そのデータに加えて,実データを用いて3つの最先端のヒューマンアクション認識モデルをトレーニングする。
実験では, 実データと合成データセットの異なる構成を前提として, 新たに提案されたいくつかのシナリオから, 合成データの増大による顕著な性能向上を観察した。
また,高齢者の日常活動の認識を支援するために,合成データの有効活用に関する知見を提示する。
関連論文リスト
- Synthetic data augmentation for robotic mobility aids to support blind and low vision people [5.024531194389658]
視覚障害者のためのロボットモビリティ支援(BLV)は、深層学習に基づく視覚モデルに大きく依存している。
これらのモデルの性能は、実世界のデータセットの可用性と多様性によって制約されることが多い。
本研究では,Unreal Engine 4を用いて生成した合成データの有効性について検討した。
論文 参考訳（メタデータ） (2024-09-17T13:17:28Z) - WheelPose: Data Synthesis Techniques to Improve Pose Estimation Performance on Wheelchair Users [5.057643544417776]
既存のポーズ推定モデルは、トレーニングデータに表現力の欠如があるため、車椅子利用者にはあまり役に立たない。
データ収集におけるこの相違に対処するためのデータ合成パイプラインを提案する。
我々のパイプラインは,Unityゲームエンジンでシミュレーションされたモーションキャプチャデータとモーション生成出力を用いて,車椅子利用者の合成データを生成する。
論文 参考訳（メタデータ） (2024-04-25T22:17:32Z) - Scaling Up Dynamic Human-Scene Interaction Modeling [58.032368564071895]
TRUMANSは、現在利用可能な最も包括的なモーションキャプチャーHSIデータセットである。
人体全体の動きや部分レベルの物体の動きを複雑に捉えます。
本研究では,任意の長さのHSI配列を効率的に生成する拡散型自己回帰モデルを提案する。
論文 参考訳（メタデータ） (2024-03-13T15:45:04Z) - MATRIX: Multi-Agent Trajectory Generation with Diverse Contexts [47.12378253630105]
マルチヒューマン・ロボットインタラクションシナリオにおけるトラジェクトリレベルのデータ生成について検討する。
Diverse conteXts(MATRIX)を用いたマルチエージェントTRajectory生成と呼ばれる学習に基づく自動軌道生成モデルを提案する。
論文 参考訳（メタデータ） (2024-03-09T23:28:54Z) - A Framework for Realistic Simulation of Daily Human Activity [1.8877825068318652]
本稿では,家庭環境における日々の行動パターンを大規模にシミュレーションするための枠組みを提案する。
本稿では,スケジュールの日々の変動を特定する手法を提案し,テンプレートからスケジュールを生成するための双方向制約伝搬アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-11-26T19:50:23Z) - Learning Human Action Recognition Representations Without Real Humans [66.61527869763819]
そこで本研究では,仮想人間を含む合成データを用いて,実世界の映像を活用してモデルを事前学習するベンチマークを提案する。
次に、このデータに基づいて学習した表現を、下流行動認識ベンチマークの様々なセットに転送可能であるかを評価する。
私たちのアプローチは、以前のベースラインを最大5%上回ります。
論文 参考訳（メタデータ） (2023-11-10T18:38:14Z) - Reimagining Synthetic Tabular Data Generation through Data-Centric AI: A
Comprehensive Benchmark [56.8042116967334]
合成データは、機械学習モデルのトレーニングの代替となる。
合成データが現実世界データの複雑なニュアンスを反映することを保証することは、難しい作業です。
本稿では,データ中心型AI技術の統合による合成データ生成プロセスのガイドの可能性について検討する。
論文 参考訳（メタデータ） (2023-10-25T20:32:02Z) - Learning to Simulate Daily Activities via Modeling Dynamic Human Needs [24.792813473159505]
生成的逆転模倣学習に基づく知識駆動型シミュレーションフレームワークを提案する。
我々の中核となる考え方は、シミュレーションモデルにおける活動生成を駆動する基盤となるメカニズムとして、人間の要求の進化をモデル化することである。
我々のフレームワークは、データの忠実さと実用性の観点から、最先端のベースラインよりも優れています。
論文 参考訳（メタデータ） (2023-02-09T12:30:55Z) - TRoVE: Transforming Road Scene Datasets into Photorealistic Virtual
Environments [84.6017003787244]
本研究では、シミュレーションデータセットに存在する困難とドメインギャップに対処する合成データ生成パイプラインを提案する。
既存のデータセットからアノテーションや視覚的手がかりを利用すれば、自動マルチモーダルデータ生成が容易になることを示す。
論文 参考訳（メタデータ） (2022-08-16T20:46:08Z) - An Efficient Data Imputation Technique for Human Activity Recognition [3.0117625632585705]
本研究では,データセットの欠落したサンプルを抽出し,人間の日常生活活動をよりよく認識する手法を提案する。
提案手法は,k-Nearest Neighbors (KNN) 計算技術を用いて,データキャプチャを効率的に前処理する。
提案手法は,実際のデータセットと同じような活動パターンをエレガントに外挿する。
論文 参考訳（メタデータ） (2020-07-08T22:05:38Z) - Shape of synth to come: Why we should use synthetic data for English
surface realization [72.62356061765976]
2018年の共有タスクでは、追加で合成されたデータを使用してトレーニングされたシステムの絶対的なパフォーマンスにはほとんど差がなかった。
我々は、2018年の英語データセットの実験において、合成データの使用はかなりの効果があることを示した。
我々は、こうしたデータを活用するシステムについて、今後の研究努力が引き続き探求されるよう、禁止されるのではなく、その使用を奨励すべきであると主張している。
論文 参考訳（メタデータ） (2020-05-06T10:00:55Z)
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。