論文の概要: T-WaveNet: Tree-Structured Wavelet Neural Network for Sensor-Based Time
Series Analysis
- arxiv url: http://arxiv.org/abs/2012.05456v1
- Date: Thu, 10 Dec 2020 05:07:28 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-15 22:42:33.631093
- Title: T-WaveNet: Tree-Structured Wavelet Neural Network for Sensor-Based Time
Series Analysis
- Title（参考訳）: T-WaveNet:センサによる時系列解析のための木構造ウェーブレットニューラルネットワーク
- Authors: Minhao Liu, Ailing Zeng, Qiuxia Lai, Qiang Xu
- Abstract要約: センサデータ解析のための新しい木構造ウェーブレットニューラルネットワークである emphT-WaveNet を提案する。
T-WaveNetは、センサ情報を既存の技術よりも効果的に表現し、様々なセンサデータセット上で最先端のパフォーマンスを実現する。
- 参考スコア（独自算出の注目度）: 9.449017120452675
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Sensor-based time series analysis is an essential task for applications such
as activity recognition and brain-computer interface. Recently, features
extracted with deep neural networks (DNNs) are shown to be more effective than
conventional hand-crafted ones. However, most of these solutions rely solely on
the network to extract application-specific information carried in the sensor
data. Motivated by the fact that usually a small subset of the frequency
components carries the primary information for sensor data, we propose a novel
tree-structured wavelet neural network for sensor data analysis, namely
\emph{T-WaveNet}. To be specific, with T-WaveNet, we first conduct a power
spectrum analysis for the sensor data and decompose the input signal into
various frequency subbands accordingly. Then, we construct a tree-structured
network, and each node on the tree (corresponding to a frequency subband) is
built with an invertible neural network (INN) based wavelet transform. By doing
so, T-WaveNet provides more effective representation for sensor information
than existing DNN-based techniques, and it achieves state-of-the-art
performance on various sensor datasets, including UCI-HAR for activity
recognition, OPPORTUNITY for gesture recognition, BCICIV2a for intention
recognition, and NinaPro DB1 for muscular movement recognition.
- Abstract（参考訳）: センサに基づく時系列分析は、アクティビティ認識や脳-コンピュータインタフェースといったアプリケーションに不可欠なタスクである。
近年、ディープニューラルネットワーク(DNN)によって抽出された特徴は、従来の手作りのものよりも効果的であることが示されている。
しかし、これらのソリューションのほとんどは、センサデータに格納されたアプリケーション固有の情報を抽出するために、ネットワークのみに依存している。
通常、周波数成分の小さなサブセットがセンサーデータの主要な情報を持っているという事実から、センサデータ解析のための新しい木構造ウェーブレットニューラルネットワーク、すなわち 'emph{T-WaveNet} を提案する。
具体的には、T-WaveNetを用いて、センサデータのパワースペクトル分析を行い、入力信号を様々な周波数サブバンドに分解する。
そして、木構造ネットワークを構築し、木上の各ノード(周波数サブバンドに対応する)は、可逆ニューラルネットワーク(INN)ベースのウェーブレット変換で構築する。
これにより、T-WaveNetは既存のDNNベースの技術よりも効果的なセンサ情報表現を提供し、活動認識のためのUCI-HAR、ジェスチャー認識のためのOPPORTUNITY、意図認識のためのBCICIV2a、筋肉運動認識のためのNinaPro DB1など、さまざまなセンサデータセット上で最先端のパフォーマンスを実現する。
関連論文リスト
- Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
ニューロモルフィックコンピューティングでは、スパイクニューラルネットワーク(SNN)が推論タスクを実行し、シーケンシャルデータを含むワークロードの大幅な効率向上を提供する。
ハードウェアとソフトウェアの最近の進歩は、スパイクニューロン間で交換された各スパイクに数ビットのペイロードを埋め込むことにより、推論精度をさらに高めることを示した。
本稿では,マルチレベルSNNを用いた無線ニューロモルフィック分割計算アーキテクチャについて検討する。
論文 参考訳（メタデータ） (2024-11-07T14:08:35Z) - A distributed neural network architecture for dynamic sensor selection
with application to bandwidth-constrained body-sensor networks [53.022158485867536]
ディープニューラルネットワーク(DNN)のための動的センサ選択手法を提案する。
データセット全体の固定選択ではなく、個々の入力サンプルに対して最適なセンササブセット選択を導出することができる。
無線センサネットワーク(WSN)の寿命を、各ノードの送信頻度に制約を加えることで、この動的選択をいかに利用できるかを示す。
論文 参考訳（メタデータ） (2023-08-16T14:04:50Z) - Frequency and Scale Perspectives of Feature Extraction [5.081561820537235]
ニューラルネットワークの周波数とスケールに対する感度を分析する。
ニューラルネットワークは低周波と中周波のバイアスを持つが、異なるクラスに対して異なる周波数帯域を好む。
これらの観察により、ニューラルネットワークは様々なスケールと周波数で特徴を抽出する能力を学ぶ必要があるという仮説が導かれる。
論文 参考訳（メタデータ） (2023-02-24T06:37:36Z) - Human Activity Recognition from Wi-Fi CSI Data Using Principal
Component-Based Wavelet CNN [3.9533044769534444]
HAR(Human Activity Recognition)は、監視、セキュリティ、医療分野に応用された新興技術である。
実用リアルタイムアプリケーションにロバスト性と効率性を提供する新しいアプローチとして,主成分に基づくウェーブレット畳み込みニューラルネットワーク(PCWCNN)を提案する。
提案したPCWCNNモデルが,既存のアプローチよりも優れた実データセットで非常によく動作することを実証的に示す。
論文 参考訳（メタデータ） (2022-12-26T13:45:19Z) - Robustness of Physics-Informed Neural Networks to Noise in Sensor Data [0.0]
PINNは、物理に基づくドメイン知識をニューラルネットワークモデルに組み込む効果的な方法であることが示されている。
本研究では、物理インフォームドニューラルネットワークのロバスト性について、データのノイズの大きさについて予備的な調査を行う。
論文 参考訳（メタデータ） (2022-11-22T06:24:43Z) - NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。
所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。
ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
論文 参考訳（メタデータ） (2022-09-29T04:06:00Z) - Trainable Wavelet Neural Network for Non-Stationary Signals [0.0]
本研究は,非定常信号に適合するフィルタバンクを学習するためのウェーブレットニューラルネットワークを導入し,デジタル信号処理の解釈性と性能を向上させる。
このネットワークは、複雑なモレットウェーブレットのパラメータ化関数である畳み込みがニューラルネットワークの第1層としてウェーブレット変換を使用する。
論文 参考訳（メタデータ） (2022-05-06T16:41:27Z) - Digital Signal Processing Using Deep Neural Networks [2.624902795082451]
本稿では、RF領域の問題を解決するために特別に設計されたカスタムディープニューラルネットワーク(DNN)を提案する。
本モデルは,自動エンコーダ畳み込みネットワークと変圧器ネットワークを組み合わせることで,特徴抽出と注意のメカニズムを活用する。
また,DNNをトレーニングし,自動変調分類を行い,伝送路効果を推測・補正し,ベースバンドRF信号を直接復調することのできる,新しいオープンデータセットと物理データ拡張モデルを提案する。
論文 参考訳（メタデータ） (2021-09-21T18:59:32Z) - SignalNet: A Low Resolution Sinusoid Decomposition and Estimation
Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。
基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。
シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文 参考訳（メタデータ） (2021-06-10T04:21:20Z) - Binary Graph Neural Networks [69.51765073772226]
グラフニューラルネットワーク(gnns)は、不規則データに対する表現学習のための強力で柔軟なフレームワークとして登場した。
本稿では,グラフニューラルネットワークのバイナライゼーションのための異なる戦略を提示し,評価する。
モデルの慎重な設計とトレーニングプロセスの制御によって、バイナリグラフニューラルネットワークは、挑戦的なベンチマークの精度において、適度なコストでトレーニングできることを示しています。
論文 参考訳（メタデータ） (2020-12-31T18:48:58Z) - Temporal Pulses Driven Spiking Neural Network for Fast Object
Recognition in Autonomous Driving [65.36115045035903]
スパイキングニューラルネットワーク(SNN)を用いた生時間パルスで直接物体認識問題に対処する手法を提案する。
各種データセットを用いて評価した結果,提案手法は最先端の手法に匹敵する性能を示しながら,優れた時間効率を実現している。
論文 参考訳（メタデータ） (2020-01-24T22:58:55Z)
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。