論文の概要: A Framework of Combining Short-Term Spatial/Frequency Feature Extraction
and Long-Term IndRNN for Activity Recognition
- arxiv url: http://arxiv.org/abs/2011.00395v2
- Date: Fri, 6 Nov 2020 03:02:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-30 23:29:36.702619
- Title: A Framework of Combining Short-Term Spatial/Frequency Feature Extraction
and Long-Term IndRNN for Activity Recognition
- Title（参考訳）: 活動認識のための短期的空間/周波数特徴抽出と長期的IndRNNを組み合わせたフレームワーク
- Authors: Beidi Zhao, Shuai Li, Yanbo Gao, Chuankun Li, Wanqing Li
- Abstract要約: 本稿では,短時間の空間/周波数特徴抽出と,活動認識のための長期独立リカレントニューラルネットワーク(IndRNN)を組み合わせた新しい枠組みを提案する。
センサデータの周期的特性を考慮し、空間領域と周波数領域で短時間の時間的特徴を抽出する。
異なる場所にスマートフォンを運んだ場合の大きな違いを考慮し、まず、スマートフォンの位置を特定するためにグループベースの位置認識を開発した。
- 参考スコア（独自算出の注目度）: 18.730342723070713
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Smartphone sensors based human activity recognition is attracting increasing
interests nowadays with the popularization of smartphones. With the high
sampling rates of smartphone sensors, it is a highly long-range temporal
recognition problem, especially with the large intra-class distances such as
the smartphones carried at different locations such as in the bag or on the
body, and the small inter-class distances such as taking train or subway. To
address this problem, we propose a new framework of combining short-term
spatial/frequency feature extraction and a long-term Independently Recurrent
Neural Network (IndRNN) for activity recognition. Considering the periodic
characteristics of the sensor data, short-term temporal features are first
extracted in the spatial and frequency domains. Then the IndRNN, which is able
to capture long-term patterns, is used to further obtain the long-term features
for classification. In view of the large differences when the smartphone is
carried at different locations, a group based location recognition is first
developed to pinpoint the location of the smartphone. The Sussex-Huawei
Locomotion (SHL) dataset from the SHL Challenge is used for evaluation. An
earlier version of the proposed method has won the second place award in the
SHL Challenge 2020 (the first place if not considering multiple models fusion
approach). The proposed method is further improved in this paper and achieves
80.72$\%$ accuracy, better than the existing methods using a single model.
- Abstract（参考訳）: 近年,スマートフォンの普及に伴い,スマートフォンセンサを用いた人間行動認識が注目されている。
スマートフォンセンサのサンプリング率が高いため、特に、バッグやボディなどの異なる場所で携帯されるスマートフォンのようなクラス内距離や、電車や地下鉄などのクラス間距離など、クラス内距離が大きい場合には、非常に長距離の時間認識問題となる。
そこで本研究では,短時間の空間/周波数特徴抽出と,活動認識のための長期独立リカレントニューラルネットワーク(IndRNN)を組み合わせた新しい枠組みを提案する。
センサデータの周期的特性を考慮し、空間領域と周波数領域で短時間の時間的特徴を抽出する。
次に、長期パターンをキャプチャ可能なIndRNNを使用して、分類のための長期的特徴をさらに取得する。
スマートフォンが異なる場所で運ばれる際の大きな違いを考慮し、まず、スマートフォンの位置を特定するためにグループベースの位置認識を開発した。
SHL ChallengeのSussex-Huawei Locomotion (SHL)データセットを用いて評価を行う。
提案手法の初期のバージョンは、SHL Challenge 2020で2位を獲得した(複数のモデル融合アプローチを考慮しない場合の第一位)。
提案手法はさらに改良され, 単一モデルを用いた既存手法よりも80.72$\%$精度が向上した。
関連論文リスト
- Learning to Make Keypoints Sub-Pixel Accurate [80.55676599677824]
本研究は,2次元局所特徴の検出におけるサブピクセル精度の課題に対処する。
本稿では,検出された特徴に対するオフセットベクトルを学習することにより,サブピクセル精度で検出器を拡張できる新しいネットワークを提案する。
論文 参考訳（メタデータ） (2024-07-16T12:39:56Z) - Deep Homography Estimation for Visual Place Recognition [49.235432979736395]
本稿では,変換器を用いたディープホモグラフィー推定(DHE)ネットワークを提案する。
バックボーンネットワークによって抽出された濃密な特徴写像を入力とし、高速で学習可能な幾何的検証のためにホモグラフィーに適合する。
ベンチマークデータセットを用いた実験により,本手法はいくつかの最先端手法より優れていることが示された。
論文 参考訳（メタデータ） (2024-02-25T13:22:17Z) - Braille Letter Reading: A Benchmark for Spatio-Temporal Pattern
Recognition on Neuromorphic Hardware [50.380319968947035]
近年の深層学習手法は,そのようなタスクにおいて精度が向上しているが,従来の組込みソリューションへの実装は依然として計算量が非常に高く,エネルギーコストも高い。
文字読み込みによるエッジにおける触覚パターン認識のための新しいベンチマークを提案する。
フィードフォワードとリカレントスパイキングニューラルネットワーク(SNN)を、サロゲート勾配の時間によるバックプロパゲーションを用いてオフラインでトレーニングし比較し、効率的な推論のためにIntel Loihimorphicチップにデプロイした。
LSTMは14%の精度で繰り返しSNNより優れており、Loihi上での繰り返しSNNは237倍のエネルギーである。
論文 参考訳（メタデータ） (2022-05-30T14:30:45Z) - Human Activity Recognition using Deep Learning Models on Smartphones and
Smartwatches Sensor Data [0.0]
We use the popular WISDM dataset for activity recognition。
スマートフォンやスマートウォッチは、着ている場所によって、同じ方法でデータをキャプチャしません。
論文 参考訳（メタデータ） (2021-02-28T06:49:52Z) - Deep Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。
提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文 参考訳（メタデータ） (2021-01-12T20:08:18Z) - A Tree-structure Convolutional Neural Network for Temporal Features
Exaction on Sensor-based Multi-resident Activity Recognition [4.619245607612873]
マルチレジデント活動認識(TSC-MRAR)のためのエンドツーエンド木構造畳み込みニューラルネットワークフレームワークを提案する。
まず、各サンプルをイベントとして扱い、スライディングウインドウに過去のセンサの読み取りを埋め込んだ現在のイベントを得る。
そして、時間的特徴を自動的に生成するために、木構造ネットワークを設計し、近くの読み物の時間的依存を導出する。
論文 参考訳（メタデータ） (2020-11-05T14:31:00Z) - Sensor-Based Continuous Hand Gesture Recognition by Long Short-Term
Memory [0.1580926907837365]
本稿では,Long Short-term memory (LSTM) を用いたセンサを用いた連続手動作認識アルゴリズムを提案する。
スマートフォンをベースとしたプロトタイプシステムを試作し,性能評価を行った。
実験結果から,提案アルゴリズムは頑健かつ正確な手の位置認識の有効な代替手段であることが示された。
論文 参考訳（メタデータ） (2020-07-22T08:40:40Z) - FMA-ETA: Estimating Travel Time Entirely Based on FFN With Attention [88.33372574562824]
フィードフォワードネットワーク(FFN, FFN, 複数要素自己認識(FMA-ETA)に基づく新しいフレームワークを提案する。
異なるカテゴリの特徴に対処し,情報を意図的に集約する,新しい多要素自己認識機構を提案する。
実験の結果、FMA-ETAは予測精度において最先端の手法と競合し、推論速度は大幅に向上した。
論文 参考訳（メタデータ） (2020-06-07T08:10:47Z) - Deep ConvLSTM with self-attention for human activity decoding using
wearables [0.0]
本稿では,複数のセンサ時系列データの特徴を捉えつつ,重要な時間点を選択するディープニューラルネットワークアーキテクチャを提案する。
提案手法の有効性を,異なるデータサンプリング戦略にまたがって示すとともに,自己認識機構が大幅に改善したことを示す。
提案手法は、複数の身体センサからの人間の活動のより優れた復号化を、長期間にわたって行うことができる。
論文 参考訳（メタデータ） (2020-05-02T04:30:31Z) - Depthwise Non-local Module for Fast Salient Object Detection Using a
Single Thread [136.2224792151324]
本稿では,高速な物体検出のための新しいディープラーニングアルゴリズムを提案する。
提案アルゴリズムは,1つのCPUスレッドと同時に,競合精度と高い推論効率を実現する。
論文 参考訳（メタデータ） (2020-01-22T15:23:48Z)
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。