論文の概要: LaHAR: Latent Human Activity Recognition using LDA
- arxiv url: http://arxiv.org/abs/2011.11151v1
- Date: Mon, 23 Nov 2020 00:33:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-22 01:17:35.566476
- Title: LaHAR: Latent Human Activity Recognition using LDA
- Title（参考訳）: LaHAR:LDAを用いた潜在人間活動認識
- Authors: Zeyd Boukhers, Danniene Wete and Steffen Staab
- Abstract要約: HAR(Human Activity Recognition)は、この可用性の恩恵を受けている分野のひとつです。
本稿では,逐次データに潜伏するHARパターンを発見するための新しい手法を提案する。
- 参考スコア（独自算出の注目度）: 11.460285913081345
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Processing sequential multi-sensor data becomes important in many tasks due
to the dramatic increase in the availability of sensors that can acquire
sequential data over time. Human Activity Recognition (HAR) is one of the
fields which are actively benefiting from this availability. Unlike most of the
approaches addressing HAR by considering predefined activity classes, this
paper proposes a novel approach to discover the latent HAR patterns in
sequential data. To this end, we employed Latent Dirichlet Allocation (LDA),
which is initially a topic modelling approach used in text analysis. To make
the data suitable for LDA, we extract the so-called "sensory words" from the
sequential data. We carried out experiments on a challenging HAR dataset,
demonstrating that LDA is capable of uncovering underlying structures in
sequential data, which provide a human-understandable representation of the
data. The extrinsic evaluations reveal that LDA is capable of accurately
clustering HAR data sequences compared to the labelled activities.
- Abstract（参考訳）: シーケンシャルなマルチセンサーデータの処理は、時間とともにシーケンシャルデータを取得可能なセンサの可用性が劇的に向上するため、多くのタスクにおいて重要となる。
HAR(Human Activity Recognition)は、この可用性の恩恵を受けている分野のひとつです。
事前定義されたアクティビティクラスを考慮してharを扱うほとんどのアプローチとは異なり、本論文は逐次データに潜伏するharパターンを発見するための新しいアプローチを提案する。
そこで我々は,テキスト解析におけるトピックモデリングアプローチであるlatent dirichlet allocation(lda)を採用した。
このデータをldaに適したものにするために,シーケンシャルデータからいわゆる「感覚語」を抽出する。
我々は,挑戦的なharデータセットについて実験を行い,ldaがシーケンシャルデータの基盤構造を明らかにすることが可能であることを実証した。
外部評価の結果,ラベル付きアクティビティと比較して,LDAはHARデータシーケンスを正確にクラスタリングできることがわかった。
関連論文リスト
- A Comprehensive Survey on Data Augmentation [55.355273602421384]
データ拡張(Data augmentation)は、既存のデータサンプルを操作することによって高品質な人工データを生成する技術である。
既存の文献調査では、特定のモダリティデータにのみ焦点が当てられている。
本稿では,異なる共通データモダリティのためのデータ拡張技術を含む,より啓蒙的な分類法を提案する。
論文 参考訳（メタデータ） (2024-05-15T11:58:08Z) - Machine Learning Techniques for Sensor-based Human Activity Recognition with Data Heterogeneity -- A Review [0.8142555609235358]
HAR(Human Activity Recognition)はユビキタスコンピューティングにおいて重要である。
HARは特にデータ分散の仮定において、課題に直面します。
本稿では,機械学習がHARにおけるデータの不均一性にどのように対処するかを検討する。
論文 参考訳（メタデータ） (2024-03-12T22:22:14Z) - 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) - Dataset Distillation: A Comprehensive Review [76.26276286545284]
データセット蒸留(DD)は、トレーニングされたモデルが元のデータセットでトレーニングされたデータセットに匹敵するパフォーマンスを得るために、合成サンプルを含むはるかに小さなデータセットを導出することを目的としている。
本稿ではDDの最近の進歩とその応用について概説する。
論文 参考訳（メタデータ） (2023-01-17T17:03:28Z) - Video-based Pose-Estimation Data as Source for Transfer Learning in
Human Activity Recognition [71.91734471596433]
オンボディデバイスを用いたヒューマンアクティビティ認識(HAR)は、制約のない環境での特定の人間の行動を特定する。
これまでの研究は、トランスファーラーニングが、少ないデータでシナリオに対処するための良い戦略であることを実証した。
本稿では,人為的位置推定を目的としたデータセットを伝達学習の情報源として用いることを提案する。
論文 参考訳（メタデータ） (2022-12-02T18:19:36Z) - Efficient Deep Clustering of Human Activities and How to Improve
Evaluation [53.08810276824894]
我々は,ヒト活動の再コーグ・ニオン(HAR)のための新しい深層クラスタリングモデルを提案する。
本稿では,HARクラスタリングモデルがどのように評価されるかという,いくつかの異なる問題を取り上げる。
次に、これらの問題に対する解決策について議論し、将来の深層HARクラスタリングモデルに対する標準評価設定を提案する。
論文 参考訳（メタデータ） (2022-09-17T14:12:42Z) - The Stanford Drone Dataset is More Complex than We Think: An Analysis of
Key Characteristics [2.064612766965483]
スタンフォード・ドローン・データセット(SDD)の特徴について論じる。
この不便さがユーザに提供する情報を減らし,パフォーマンスに与える影響を実証する。
私たちの意図は、今後このデータセットに適用されるパフォーマンスとメソッドを向上させると同時に、新しいユーザのためのデータセットの明らかでない特徴を明確化することにあります。
論文 参考訳（メタデータ） (2022-03-22T13:58:14Z) - Human Activity Recognition using Attribute-Based Neural Networks and
Context Information [61.67246055629366]
手作業におけるウェアラブルセンサデータから人間の活動認識(HAR)を考察する。
我々は、コンテキスト情報をディープニューラルネットワークベースのHARシステムに体系的に組み込む方法を示す。
提案したアーキテクチャは,最先端手法と比較してHAR性能が向上することを示す。
論文 参考訳（メタデータ） (2021-10-28T06:08:25Z) - SelfHAR: Improving Human Activity Recognition through Self-training with
Unlabeled Data [9.270269467155547]
SelfHARは、ラベルなしデータセットを利用して小さなラベル付きデータセットを補完する半教師付きモデルである。
提案手法は教師による自己学習と,ラベル付きデータセットとラベル付きデータセットの知識を融合する。
SelfHARはデータ効率が高く、教師付きアプローチの10倍のラベル付きデータを使用して、同様のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2021-02-11T15:40:35Z) - Human Action Recognition from Various Data Modalities: A Review [37.07491839026713]
人間の行動認識(HAR)は、人間の行動を理解し、各行動にラベルを割り当てることを目指しています。
HARには幅広い用途があり、コンピュータビジョンの分野で注目を集めています。
本稿では,入力データモダリティ型に基づくHARの深層学習手法の最近の進歩について考察する。
論文 参考訳（メタデータ） (2020-12-22T07:37:43Z) - Contrastive Predictive Coding for Human Activity Recognition [5.766384728949437]
本研究では,センサデータストリームの長期的時間構造をキャプチャする人間行動認識にContrastive Predictive Codingフレームワークを導入する。
CPCベースの事前学習は自己管理され、その結果得られた表現は標準のアクティビティチェーンに統合できる。
少量のラベル付きトレーニングデータしか利用できない場合、認識性能が大幅に向上します。
論文 参考訳（メタデータ） (2020-12-09T21:44:36Z)
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。