論文の概要: Invariant Feature Learning for Sensor-based Human Activity Recognition
- arxiv url: http://arxiv.org/abs/2012.07963v1
- Date: Mon, 14 Dec 2020 21:56:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-08 14:14:55.504101
- Title: Invariant Feature Learning for Sensor-based Human Activity Recognition
- Title(参考訳): センサを用いた人間行動認識のための不変特徴学習
- Authors: Yujiao Hao, Boyu Wang, Rong Zheng
- Abstract要約: 被験者やデバイス間で共有される共通情報を抽出する不変特徴学習フレームワーク(IFLF)を提案する。
実験により、IFLFは、一般的なオープンデータセットと社内データセットをまたいだ主題とデバイスディバージョンの両方を扱うのに効果的であることが示された。
- 参考スコア(独自算出の注目度): 11.334750079923428
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Wearable sensor-based human activity recognition (HAR) has been a research
focus in the field of ubiquitous and mobile computing for years. In recent
years, many deep models have been applied to HAR problems. However, deep
learning methods typically require a large amount of data for models to
generalize well. Significant variances caused by different participants or
diverse sensor devices limit the direct application of a pre-trained model to a
subject or device that has not been seen before. To address these problems, we
present an invariant feature learning framework (IFLF) that extracts common
information shared across subjects and devices. IFLF incorporates two learning
paradigms: 1) meta-learning to capture robust features across seen domains and
adapt to an unseen one with similarity-based data selection; 2) multi-task
learning to deal with data shortage and enhance overall performance via
knowledge sharing among different subjects. Experiments demonstrated that IFLF
is effective in handling both subject and device diversion across popular open
datasets and an in-house dataset. It outperforms a baseline model of up to 40%
in test accuracy.
- Abstract(参考訳): ウェアラブルセンサを用いたヒューマンアクティビティ認識(HAR)は、ユビキタスおよびモバイルコンピューティングの分野で長年研究されてきた。
近年、HAR問題に多くのディープモデルが適用されている。
しかし、ディープラーニングの手法は通常、モデルをうまく一般化するために大量のデータを必要とする。
異なる参加者や多様なセンサー装置によって引き起こされる重要なばらつきは、事前訓練されたモデルの、これまで見たことのない対象または装置への直接的な適用を制限する。
これらの問題に対処するために,対象とデバイス間で共有される共通情報を抽出する不変機能学習フレームワーク(iflf)を提案する。
iflfには2つの学習パラダイムが組み込まれている: 1) 参照されたドメインにまたがる堅牢な機能をキャプチャし、類似性に基づくデータ選択で認識できないものに適応するメタラーニング、2) データの不足に対処するマルチタスクラーニング、そして異なる主題間の知識共有による全体的なパフォーマンス向上。
実験により、IFLFは一般的なオープンデータセットと社内データセットをまたいだ主題とデバイスディバージョンの両方を扱うのに有効であることが示された。
テスト精度で最大40%のベースラインモデルより優れています。
関連論文リスト
- LLM-assisted Explicit and Implicit Multi-interest Learning Framework for Sequential Recommendation [50.98046887582194]
本研究では,ユーザの興味を2つのレベル – 行動と意味論 – でモデル化する,明示的で暗黙的な多目的学習フレームワークを提案する。
提案するEIMFフレームワークは,小型モデルとLLMを効果的に組み合わせ,多目的モデリングの精度を向上させる。
論文 参考訳(メタデータ) (2024-11-14T13:00:23Z) - Combating Missing Modalities in Egocentric Videos at Test Time [92.38662956154256]
現実のアプリケーションは、プライバシの懸念、効率性の必要性、ハードウェアの問題により、不完全なモダリティを伴う問題に直面することが多い。
再トレーニングを必要とせずに,テスト時にこの問題に対処する新しい手法を提案する。
MiDlは、欠落したモダリティをテスト時にのみ扱う、自己管理型のオンラインソリューションとしては初めてのものだ。
論文 参考訳(メタデータ) (2024-04-23T16:01:33Z) - FedOpenHAR: Federated Multi-Task Transfer Learning for Sensor-Based
Human Activity Recognition [0.0]
本稿では,センサを用いた人間行動認識とデバイス位置識別の両課題に対して,フェデレート・トランスファー・ラーニングをマルチタスク方式で検討する。
OpenHARフレームワークは10個の小さなデータセットを含むモデルをトレーニングするために使用される。
タスク固有でパーソナライズされたフェデレーションモデルを用いたトランスファーラーニングとトレーニングにより、各クライアントを個別に訓練し、完全集中型アプローチよりも高い精度で学習した。
論文 参考訳(メタデータ) (2023-11-13T21:31:07Z) - Cluster-level pseudo-labelling for source-free cross-domain facial
expression recognition [94.56304526014875]
表情認識のためのSFUDA法を提案する。
本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。
提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
論文 参考訳(メタデータ) (2022-10-11T08:24:50Z) - TASKED: Transformer-based Adversarial learning for human activity
recognition using wearable sensors via Self-KnowledgE Distillation [6.458496335718508]
本稿では,TASKED(Self-KnowledgE Distillation)を用いたウェアラブルセンサを用いた,トランスフォーマーに基づく人間行動認識のための新しい逆学習フレームワークを提案する。
提案手法では,教師なしの自己知識蒸留を採用し,訓練手順の安定性と人間の活動認識性能を向上させる。
論文 参考訳(メタデータ) (2022-09-14T11:08:48Z) - Multi-Domain Joint Training for Person Re-Identification [51.73921349603597]
ReID(Deep Learning-based person Re-IDentification)は、優れたパフォーマンスを達成するために、大量のトレーニングデータを必要とすることが多い。
多様な環境からより多くのトレーニングデータを集めることで、ReIDのパフォーマンスが向上する傾向にある。
本稿では,パラメータを様々な要因に適応させることができる,Domain-Camera-Sample Dynamic Network (DCSD) というアプローチを提案する。
論文 参考訳(メタデータ) (2022-01-06T09:20:59Z) - Adversarial Deep Feature Extraction Network for User Independent Human
Activity Recognition [4.988898367111902]
本稿では,人間行動認識のための最大平均不一致(MMD)正則化を用いた対向的対象非依存特徴抽出法を提案する。
本手法は,ユーザに依存しない性能を著しく向上し,結果のばらつきを低減できることを示す,よく知られた公開データセット上での評価を行う。
論文 参考訳(メタデータ) (2021-10-23T07:50:32Z) - Unsupervised Domain Adaptive Learning via Synthetic Data for Person
Re-identification [101.1886788396803]
人物再識別(re-ID)は、ビデオ監視に広く応用されているため、ますます注目を集めている。
残念なことに、主流のディープラーニング手法では、モデルをトレーニングするために大量のラベル付きデータが必要です。
本稿では,コンピュータゲーム内で合成されたre-IDサンプルを自動的に生成するデータコレクタを開発し,同時にアノテートするデータラベラを構築した。
論文 参考訳(メタデータ) (2021-09-12T15:51:41Z) - Federated Learning with Heterogeneous Labels and Models for Mobile
Activity Monitoring [0.7106986689736827]
デバイス上でのフェデレーション学習は、分散的で協調的な機械学習に効果的なアプローチであることが証明されている。
本稿では,複数の活動にまたがる重なり合う情報ゲインを利用したラベルに基づくアグリゲーションのためのフレームワークを提案する。
Raspberry Pi 2上のHeterogeneity Human Activity Recognition (HHAR)データセットによる経験的評価は、決定論的精度が少なくとも11.01%向上したことを示している。
論文 参考訳(メタデータ) (2020-12-04T11:44:17Z) - Sense and Learn: Self-Supervision for Omnipresent Sensors [9.442811508809994]
我々は、生の知覚データから表現や特徴学習のためのSense and Learnというフレームワークを提案する。
これは、面倒なラベル付けプロセスに人間が関与することなく、注釈のないデータから、高レベルで広範囲に有用な特徴を学習できる補助的なタスクで構成されている。
提案手法は、教師付きアプローチと競合する結果を達成し、ネットワークを微調整し、ほとんどの場合、下流タスクを学習することでギャップを埋める。
論文 参考訳(メタデータ) (2020-09-28T11:57:43Z) - Stance Detection Benchmark: How Robust Is Your Stance Detection? [65.91772010586605]
Stance Detection (StD) は、あるトピックやクレームに対する著者の姿勢を検出することを目的としている。
マルチデータセット学習環境において、さまざまなドメインの10のStDデータセットから学習するStDベンチマークを導入する。
このベンチマーク設定では、5つのデータセットに新しい最先端結果を表示することができます。
論文 参考訳(メタデータ) (2020-01-06T13:37:51Z)
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。