論文の概要: Domain-adaptive Fall Detection Using Deep Adversarial Training
- arxiv url: http://arxiv.org/abs/2012.10911v1
- Date: Sun, 20 Dec 2020 12:46:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-01 04:38:24.927101
- Title: Domain-adaptive Fall Detection Using Deep Adversarial Training
- Title（参考訳）: deep adversarial trainingを用いたドメイン適応転倒検出
- Authors: Kai-Chun Liu, Michael Chan, Chia-Yeh Hsieh, Hsiang-Yun Huang, Chia-Tai
Chan and Yu Tsao
- Abstract要約: ドメイン間の知識伝達は機械学習に基づく転倒検出システムに有用である。
本研究では,ドメイン間問題に対処する深層学習を用いたドメイン適応型転倒検出(DAFD)を提案する。
実験の結果,dafd使用時のf1score改善率は1.5%から7%であった。
- 参考スコア（独自算出の注目度）: 11.38705034172631
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Fall detection (FD) systems are important assistive technologies for
healthcare that can detect emergency fall events and alert caregivers. However,
it is not easy to obtain large-scale annotated fall events with various
specifications of sensors or sensor positions, during the implementation of
accurate FD systems. Moreover, the knowledge obtained through machine learning
has been restricted to tasks in the same domain. The mismatch between different
domains might hinder the performance of FD systems. Cross-domain knowledge
transfer is very beneficial for machine-learning based FD systems to train a
reliable FD model with well-labeled data in new environments. In this study, we
propose domain-adaptive fall detection (DAFD) using deep adversarial training
(DAT) to tackle cross-domain problems, such as cross-position and
cross-configuration. The proposed DAFD can transfer knowledge from the source
domain to the target domain by minimizing the domain discrepancy to avoid
mismatch problems. The experimental results show that the average F1score
improvement when using DAFD ranges from 1.5% to 7% in the cross-position
scenario, and from 3.5% to 12% in the cross-configuration scenario, compared to
using the conventional FD model without domain adaptation training. The results
demonstrate that the proposed DAFD successfully helps to deal with cross-domain
problems and to achieve better detection performance.
- Abstract（参考訳）: 転倒検出(FD)システムは、緊急転倒イベントを検知し、介護者を警告する医療支援技術である。
しかし, 高精度FDシステムの実装において, 様々なセンサやセンサ位置の仕様で大規模な降雨イベントを得るのは容易ではない。
さらに、機械学習によって得られた知識は、同じドメインのタスクに制限されている。
異なるドメイン間のミスマッチは、FDシステムの性能を損なう可能性がある。
クロスドメインな知識伝達は、機械学習に基づくFDシステムにとって、新しい環境で十分にラベル付けされたデータで信頼性の高いFDモデルをトレーニングする上で非常に有益である。
本研究では,deep adversarial training (dat) を用いて,クロスポジションやクロスコンフィグレーションなどのクロスドメイン問題に対処するドメイン適応転倒検出(dafd)を提案する。
提案したDAFDは、ミスマッチ問題を避けるために、ドメインの矛盾を最小限に抑えて、ソースドメインからターゲットドメインに知識を転送することができる。
実験の結果,DAFDを用いた場合の平均F1スコア改善率は,クロスポジションシナリオでは1.5%から7%,クロスコンフィグレーションシナリオでは3.5%から12%であった。
その結果,提案するdafdはクロスドメイン問題への対処に成功し,検出性能が向上した。
関連論文リスト
- Calibrated Adaptive Teacher for Domain Adaptive Intelligent Fault
Diagnosis [7.88657961743755]
教師なしのドメイン適応(UDA)は、ラベル付きデータがソースドメインで利用可能であり、ラベルなしデータがターゲットドメインでのみ利用可能であるシナリオを扱う。
本稿では,自己学習過程を通じて教師ネットワークの予測を校正する,Calibrated Adaptive Teacher (CAT) と呼ばれる新しいUDA手法を提案する。
論文 参考訳（メタデータ） (2023-12-05T15:19:29Z) - Federated Meta-Learning for Few-Shot Fault Diagnosis with Representation
Encoding [21.76802204235636]
本稿では,数発の故障診断のための表現符号化ベースフェデレーションメタラーニング(REFML)を提案する。
REFMLは、トレーニングクライアントの固有の一般化を活用して、効果的に、アウト・オブ・ディストリビューションの利点に変換する。
同じ機器の非表示作業条件でテストすると2.17%-6.50%、全く見えない機器でテストすると13.44%-18.33%の精度で精度が向上する。
論文 参考訳（メタデータ） (2023-10-13T10:48:28Z) - Smart filter aided domain adversarial neural network for fault diagnosis
in noisy industrial scenarios [11.094903196524404]
本稿では,スマートフィルタ支援ドメイン適応ニューラルネットワーク (SFDANN) と呼ばれる非教師付きドメイン適応 (UDA) 手法を提案する。
提案手法は、2つのステップから構成される。第1ステップでは、時間周波数領域におけるソースとターゲットドメインデータの類似性を動的に適用するスマートフィルタを開発する。
2番目のステップでは、スマートフィルタによって再構成されたデータをドメイン逆ニューラルネットワーク(DANN)に入力する。
論文 参考訳（メタデータ） (2023-07-04T01:47:00Z) - DI-NIDS: Domain Invariant Network Intrusion Detection System [9.481792073140204]
コンピュータビジョンなどの様々な応用において、ドメイン適応技術は成功している。
しかし、ネットワーク侵入検出の場合、最先端のドメイン適応アプローチは成功に留まっている。
本稿では,複数のネットワークドメインから対数領域適応を用いて,ドメイン不変な特徴を抽出する。
論文 参考訳（メタデータ） (2022-10-15T10:26:22Z) - Joint Distribution Alignment via Adversarial Learning for Domain
Adaptive Object Detection [11.262560426527818]
教師なしのドメイン適応オブジェクト検出は、リッチラベル付きデータで訓練された元のソースドメインから、ラベルなしデータで新しいターゲットドメインに適応することを目的としている。
近年、主流のアプローチは、敵対的学習を通じてこのタスクを実行するが、それでも2つの制限に悩まされている。
上記の課題に対処するために,JADF(Joint Adaptive Detection framework)を提案する。
論文 参考訳（メタデータ） (2021-09-19T00:27:08Z) - Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training
for Road Segmentation of Remote Sensing Images [93.50240389540252]
リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。
本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。
2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の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） (2021-08-28T09:29:14Z) - Effective Label Propagation for Discriminative Semi-Supervised Domain
Adaptation [76.41664929948607]
半教師付き領域適応(SSDA)法は,大規模な画像分類タスクにおいて大きな可能性を示している。
本稿では、ドメイン間およびドメイン内セマンティック情報を効果的に伝達することにより、この問題に対処する新しい効果的な方法を提案する。
ソースコードと事前訓練されたモデルも間もなくリリースされる予定です。
論文 参考訳（メタデータ） (2020-12-04T14:28:19Z) - Collaborative Training between Region Proposal Localization and
Classification for Domain Adaptive Object Detection [121.28769542994664]
オブジェクト検出のためのドメイン適応は、ラベル付きデータセットからラベル付きデータセットへの検出を適応させようとする。
本稿では,地域提案ネットワーク (RPN) と地域提案分類器 (RPC) が,大きなドメインギャップに直面した場合の転送可能性が大きく異なることを初めて明らかにする。
論文 参考訳（メタデータ） (2020-09-17T07:39:52Z) - Adaptive Risk Minimization: Learning to Adapt to Domain Shift [109.87561509436016]
ほとんどの機械学習アルゴリズムの基本的な前提は、トレーニングとテストデータは、同じ基礎となる分布から引き出されることである。
本研究では,学習データをドメインに構造化し,複数のテスト時間シフトが存在する場合の領域一般化の問題点について考察する。
本稿では、適応リスク最小化(ARM)の枠組みを紹介し、モデルがトレーニング領域に適応することを学ぶことで、効果的な適応のために直接最適化される。
論文 参考訳（メタデータ） (2020-07-06T17:59:30Z) - Cross-domain Face Presentation Attack Detection via Multi-domain
Disentangled Representation Learning [109.42987031347582]
顔提示攻撃検出(PAD)は,顔認識システムにおいて緊急に解決すべき課題である。
クロスドメイン顔PADのための効率的な非交叉表現学習を提案する。
我々のアプローチは、不整合表現学習(DR-Net)とマルチドメイン学習(MD-Net)からなる。
論文 参考訳（メタデータ） (2020-04-04T15:45:14Z) - Towards Fair Cross-Domain Adaptation via Generative Learning [50.76694500782927]
ドメイン適応(DA)は、よくラベル付けされたソースドメイン上でトレーニングされたモデルを、異なる分散に横たわる未ラベルのターゲットドメインに適応することを目的としています。
本研究では,新規な生成的Few-shot Cross-Domain Adaptation (GFCA) アルゴリズムを開発した。
論文 参考訳（メタデータ） (2020-03-04T23:25:09Z)
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。