論文の概要: A Novel Multi-Stage Training Approach for Human Activity Recognition
from Multimodal Wearable Sensor Data Using Deep Neural Network
- arxiv url: http://arxiv.org/abs/2101.00702v1
- Date: Sun, 3 Jan 2021 20:48:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-12 11:34:33.228749
- Title: A Novel Multi-Stage Training Approach for Human Activity Recognition
from Multimodal Wearable Sensor Data Using Deep Neural Network
- Title（参考訳）: 深層ニューラルネットワークを用いたマルチモーダルウェアラブルセンサデータからの人間活動認識のための新しい多段階学習手法
- Authors: Tanvir Mahmud, A. Q. M. Sazzad Sayyed, Shaikh Anowarul Fattah,
Sun-Yuan Kung
- Abstract要約: ディープニューラルネットワークは、さまざまなウェアラブルセンサーのデータを利用して人間の行動を自動的に認識する効果的な選択である。
本論文では,この特徴抽出プロセスにおける多様性を高める,新たなマルチステージトレーニング手法を提案する。
- 参考スコア（独自算出の注目度）: 11.946078871080836
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep neural network is an effective choice to automatically recognize human
actions utilizing data from various wearable sensors. These networks automate
the process of feature extraction relying completely on data. However, various
noises in time series data with complex inter-modal relationships among sensors
make this process more complicated. In this paper, we have proposed a novel
multi-stage training approach that increases diversity in this feature
extraction process to make accurate recognition of actions by combining
varieties of features extracted from diverse perspectives. Initially, instead
of using single type of transformation, numerous transformations are employed
on time series data to obtain variegated representations of the features
encoded in raw data. An efficient deep CNN architecture is proposed that can be
individually trained to extract features from different transformed spaces.
Later, these CNN feature extractors are merged into an optimal architecture
finely tuned for optimizing diversified extracted features through a combined
training stage or multiple sequential training stages. This approach offers the
opportunity to explore the encoded features in raw sensor data utilizing
multifarious observation windows with immense scope for efficient selection of
features for final convergence. Extensive experimentations have been carried
out in three publicly available datasets that provide outstanding performance
consistently with average five-fold cross-validation accuracy of 99.29% on UCI
HAR database, 99.02% on USC HAR database, and 97.21% on SKODA database
outperforming other state-of-the-art approaches.
- Abstract（参考訳）: ディープニューラルネットワークは、さまざまなウェアラブルセンサーのデータを利用して人間の行動を自動的に認識する効果的な選択である。
これらのネットワークは、完全にデータに依存する特徴抽出のプロセスを自動化する。
しかし、センサ間の複雑なモーダル関係を持つ時系列データの様々なノイズにより、この処理はより複雑になる。
本稿では,多様な視点から抽出した多種多様な特徴を組み合わせて行動の正確な認識を行うため,特徴抽出プロセスにおける多様性を高める新しい多段階学習手法を提案する。
当初、単一のタイプの変換を使う代わりに、時系列データに多くの変換を施し、生データにエンコードされた特徴の可変表現を得る。
異なる変換空間から特徴を抽出するために個別に訓練できる効率的な深層CNNアーキテクチャを提案する。
その後、これらのcnn特徴抽出器を最適なアーキテクチャにマージし、複合トレーニングステージまたは複数の逐次トレーニングステージを介して多様化した特徴を最適化する。
このアプローチは、最終収束のための効率的な特徴選択のために、多孔性観測窓を用いた生センサデータの符号化された特徴を探索する機会を提供する。
UCI HARデータベースでは平均5倍のクロスバリデーション精度99.29%、USC HARデータベースでは99.02%、SKODAデータベースでは97.21%という優れたパフォーマンスを提供する3つの公開データセットで大規模な実験が行われた。
関連論文リスト
- MDM: Advancing Multi-Domain Distribution Matching for Automatic Modulation Recognition Dataset Synthesis [35.07663680944459]
ディープラーニング技術は、AMR(Automatic Modulation Recognition)タスクにうまく導入されている。
ディープラーニングの成功はすべて、大規模なデータセットのトレーニングによるものだ。
大量のデータの問題を解決するため、一部の研究者はデータ蒸留法を提唱した。
論文 参考訳（メタデータ） (2024-08-05T14:16:54Z) - Rethinking Transformers Pre-training for Multi-Spectral Satellite
Imagery [78.43828998065071]
教師なし学習の最近の進歩は、下流タスクにおける有望な結果を達成するための大きな視覚モデルの可能性を示している。
このような事前学習技術は、大量の未学習データが利用可能であることから、リモートセンシング領域でも最近研究されている。
本稿では,マルチモーダルで効果的に活用されるマルチスケール情報の事前学習と活用について述べる。
論文 参考訳（メタデータ） (2024-03-08T16:18:04Z) - Multilayer Multiset Neuronal Networks -- MMNNs [55.2480439325792]
本研究は,2層以上の類似性ニューロンを組み込んだ多層神経回路網について述べる。
また,回避すべき画像領域に割り当てられる反プロトタイプ点の利用についても検討した。
論文 参考訳（メタデータ） (2023-08-28T12:55:13Z) - Personalized Decentralized Multi-Task Learning Over Dynamic
Communication Graphs [59.96266198512243]
本稿では,正と負の相関関係を持つタスクに対する分散・フェデレーション学習アルゴリズムを提案する。
本アルゴリズムでは,タスク間の相関関係を自動的に計算し,コミュニケーショングラフを動的に調整して相互に有益なタスクを接続し,互いに悪影響を及ぼす可能性のあるタスクを分離する。
合成ガウスデータセットと大規模セレブ属性(CelebA)データセットについて実験を行った。
論文 参考訳（メタデータ） (2022-12-21T18:58:24Z) - ScoreMix: A Scalable Augmentation Strategy for Training GANs with
Limited Data [93.06336507035486]
GAN(Generative Adversarial Networks)は通常、限られたトレーニングデータが利用できる場合、過度に適合する。
ScoreMixは、様々な画像合成タスクのための、新しくスケーラブルなデータ拡張手法である。
論文 参考訳（メタデータ） (2022-10-27T02:55:15Z) - Sparse Interaction Additive Networks via Feature Interaction Detection
and Sparse Selection [10.191597755296163]
我々は,必要な特徴の組み合わせを効率的に識別する,抽出可能な選択アルゴリズムを開発した。
提案するスパース・インタラクション・アダプティブ・ネットワーク(SIAN)は,単純かつ解釈可能なモデルから完全に接続されたニューラルネットワークへのブリッジを構築する。
論文 参考訳（メタデータ） (2022-09-19T19:57:17Z) - UMSNet: An Universal Multi-sensor Network for Human Activity Recognition [10.952666953066542]
本稿では,人間行動認識のためのユニバーサルマルチセンサネットワーク(UMSNet)を提案する。
特に,新しい軽量センサ残差ブロック(LSRブロック)を提案する。
我々のフレームワークは明確な構造を持ち、様々な種類のマルチモーダル時系列分類タスクに直接適用することができる。
論文 参考訳（メタデータ） (2022-05-24T03:29:54Z) - PSEUDo: Interactive Pattern Search in Multivariate Time Series with
Locality-Sensitive Hashing and Relevance Feedback [3.347485580830609]
PSEUDoは、マルチトラックシーケンシャルデータにおける視覚パターンを探索するための適応的機能学習技術である。
提案アルゴリズムは,サブ線形学習と推論時間を特徴とする。
我々は,PSEUDoの効率,精度,操縦性において優位性を示す。
論文 参考訳（メタデータ） (2021-04-30T13:00:44Z) - 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) - Towards Improved Human Action Recognition Using Convolutional Neural
Networks and Multimodal Fusion of Depth and Inertial Sensor Data [1.52292571922932]
本稿では,深度と慣性センサデータの融合によるヒューマンアクション認識(HAR)の精度向上を試みる。
我々は、深度データを逐次フロントビューイメージ(SFI)に変換し、これらの画像上でトレーニング済みのAlexNetを微調整する。
慣性データを信号画像(SI)に変換し、これらの画像上で別の畳み込みニューラルネットワーク(CNN)を訓練する。
論文 参考訳（メタデータ） (2020-08-22T03:41:34Z) - MS-Net: Multi-Site Network for Improving Prostate Segmentation with
Heterogeneous MRI Data [75.73881040581767]
本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。
当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
論文 参考訳（メタデータ） (2020-02-09T14:11:50Z)
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。