論文の概要: Similarity Embedding Networks for Robust Human Activity Recognition

• arxiv url: http://arxiv.org/abs/2106.15283v1
• Date: Mon, 31 May 2021 11:52:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-04 19:34:04.839168
• Title: Similarity Embedding Networks for Robust Human Activity Recognition
• Title（参考訳）: ロバストな人間活動認識のための類似埋め込みネットワーク
• Authors: Chenglin Li, Carrie Lu Tong, Di Niu, Bei Jiang, Xiao Zuo, Lei Cheng, Jian Xiong and Jianming Yang
• Abstract要約: 我々は、入力センサ信号を、慎重に設計された畳み込み層とLSTM層を通して実ベクトルにマッピングする類似性埋め込みニューラルネットワークを設計する。 埋め込みネットワークは、ペアワイズな類似性損失でトレーニングされ、埋め込み実空間内の同じクラスからのサンプルのクラスタリングを奨励する。 2つの公開データセットに基づく広範囲な評価により、提案された類似性埋め込みネットワークは、HAR分類タスクにおける最先端のディープモデルを大幅に上回っていることが示された。
• 参考スコア（独自算出の注目度）: 19.162857787656247
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Deep learning models for human activity recognition (HAR) based on sensor data have been heavily studied recently. However, the generalization ability of deep models on complex real-world HAR data is limited by the availability of high-quality labeled activity data, which are hard to obtain. In this paper, we design a similarity embedding neural network that maps input sensor signals onto real vectors through carefully designed convolutional and LSTM layers. The embedding network is trained with a pairwise similarity loss, encouraging the clustering of samples from the same class in the embedded real space, and can be effectively trained on a small dataset and even on a noisy dataset with mislabeled samples. Based on the learned embeddings, we further propose both nonparametric and parametric approaches for activity recognition. Extensive evaluation based on two public datasets has shown that the proposed similarity embedding network significantly outperforms state-of-the-art deep models on HAR classification tasks, is robust to mislabeled samples in the training set, and can also be used to effectively denoise a noisy dataset.
• Abstract（参考訳）: 近年,センサデータに基づくヒューマンアクティビティ認識(har)のための深層学習モデルの研究が盛んに行われている。 しかし,複雑な実世界のHARデータに対する深層モデルの一般化能力は,高品質なラベル付き活動データの提供によって制限されている。 本稿では,入力センサ信号を実ベクトルにマッピングする類似性埋め込みニューラルネットワークを,慎重に設計した畳み込み層とLSTM層により設計する。 組込みネットワークは、ペアワイズ類似性損失でトレーニングされ、組込み実空間における同じクラスのサンプルのクラスタリングを奨励し、小さなデータセットや、誤ったラベル付きサンプルを含むノイズの多いデータセットでも効果的にトレーニングすることができる。 さらに,学習した埋め込みに基づいて,非パラメトリックとパラメトリックの両方のアプローチを提案する。 2つの公開データセットに基づく広範な評価により、提案する類似度埋め込みネットワークは、har分類タスクにおける最先端の深層モデルを大幅に上回っており、トレーニングセット内の誤ってラベル付けされたサンプルに頑健であり、ノイズの多いデータセットを効果的にデノベートするためにも使用できることが示されている。

関連論文リスト

• Downstream-Pretext Domain Knowledge Traceback for Active Learning [138.02530777915362]
  本稿では、下流知識と事前学習指導のデータ相互作用をトレースするダウンストリーム・プレテキスト・ドメイン知識トレース(DOKT)手法を提案する。 DOKTは、トレースバックの多様性指標とドメインベースの不確実性推定器から構成される。 10のデータセットで行った実験は、我々のモデルが他の最先端の手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-07-20T01:34:13Z)
• Group Distributionally Robust Dataset Distillation with Risk Minimization [18.07189444450016]
  本稿では,クラスタリングとリスク尺度の最小化を組み合わせ,DDを遂行する損失を最小化するアルゴリズムを提案する。 数値実験により,その有効一般化と部分群間のロバスト性を示す。
  論文  参考訳（メタデータ） (2024-02-07T09:03:04Z)
• Siamese Networks for Weakly Supervised Human Activity Recognition [2.398608007786179]
  本稿では,データサンプルの類似性に関する情報のみを用いて,明示的なラベルを知らずに学習した複数のシアムネットワークを用いたモデルを提案する。 トレーニングされたモデルは、アクティビティデータサンプルを、表現空間内のベクトル間の距離が入力空間内のデータサンプルの類似性を近似するように、固定サイズ表現ベクトルにマッピングする。 本研究では,連続した人間の活動系列のセグメンテーションと認識において,その有効性を検証するために,3つのデータセット上でモデルを評価した。
  論文  参考訳（メタデータ） (2023-07-18T03:23:34Z)
• VALERIAN: Invariant Feature Learning for IMU Sensor-based Human Activity Recognition in the Wild [7.50015216403068]
  VALERIANは、Wild ウェアラブルセンサーベースのHARのための不変な特徴学習手法である。 VALERIANは、個別のタスク固有のレイヤを持つマルチタスクモデルをトレーニングすることにより、被験者間で共有された特徴表現の恩恵を受けながら、ノイズの多いラベルを個別に扱うことができる。
  論文  参考訳（メタデータ） (2023-03-03T18:22:14Z)
• Unsupervised Deep Learning-based clustering for Human Activity Recognition [8.716606664673982]
  本稿では,多次元慣性信号を自動的にラベル付けするDLベースのクラスタリングアーキテクチャであるdisC(Deep Inertial Sensory Clustering)を提案する。 このアーキテクチャは、リカレントオートエンコーダとクラスタリング基準を組み合わせることで、人間の活動関連信号を予測する。 この実験は、クラスタリング精度と正規化相互情報量の両方に対するdisCの有効性を示す。
  論文  参考訳（メタデータ） (2022-11-10T10:56:47Z)
• Homogenization of Existing Inertial-Based Datasets to Support Human Activity Recognition [8.076841611508486]
  信号から日常生活の行動を認識する問題に対処するために,いくつかの手法が提案されている。 慣性信号に適用する深層学習技術は有効であることが証明されており、かなりの分類精度が達成されている。 人間の行動認識モデルの研究は、ほぼ完全にモデル中心である。
  論文  参考訳（メタデータ） (2022-01-17T14:29:48Z)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)
• Adaptive Hierarchical Similarity Metric Learning with Noisy Labels [138.41576366096137]
  適応的階層的類似度メトリック学習法を提案する。 ノイズに敏感な2つの情報、すなわち、クラスワイドのばらつきとサンプルワイドの一貫性を考える。 提案手法は,現在の深層学習手法と比較して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2021-10-29T02:12:18Z)
• DeepSatData: Building large scale datasets of satellite images for training machine learning models [77.17638664503215]
  本稿では,機械学習モデルの学習のための衛星画像データセットの自動生成のための設計検討を行う。 本稿では,ニューラルネットワークの深層学習と評価の観点から直面する課題について論じる。
  論文  参考訳（メタデータ） (2021-04-28T15:13:12Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• ReMarNet: Conjoint Relation and Margin Learning for Small-Sample Image Classification [49.87503122462432]
  ReMarNet(Relation-and-Margin Learning Network)と呼ばれるニューラルネットワークを導入する。 本手法は,上記2つの分類機構の双方において優れた性能を発揮する特徴を学習するために,異なるバックボーンの2つのネットワークを組み立てる。 4つの画像データセットを用いた実験により,本手法はラベル付きサンプルの小さな集合から識別的特徴を学習するのに有効であることが示された。
  論文  参考訳（メタデータ） (2020-06-27T13:50:20Z)

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。