論文の概要: Classifying action correctness in physical rehabilitation exercises
- arxiv url: http://arxiv.org/abs/2108.01375v1
- Date: Tue, 3 Aug 2021 09:00:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-04 18:40:02.282451
- Title: Classifying action correctness in physical rehabilitation exercises
- Title(参考訳): 身体リハビリテーションにおける行動の正しさの分類
- Authors: Alina Miron and Crina Grosan
- Abstract要約: 本稿では,人間の動作や行動の正しさを評価する上で,機械学習が果たす役割に焦点を当てる。
最近のデータセットでの一連の実験を通じて、機械学習アルゴリズムは特定のアクションに対して良い結果をもたらすことができるが、アクションの誤った実行を別のアクションの正しい実行として分類する罠に陥る可能性があることを実証する。
- 参考スコア(独自算出の注目度): 2.0711789781518752
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: The work in this paper focuses on the role of machine learning in assessing
the correctness of a human motion or action. This task proves to be more
challenging than the gesture and action recognition ones. We will demonstrate,
through a set of experiments on a recent dataset, that machine learning
algorithms can produce good results for certain actions, but can also fall into
the trap of classifying an incorrect execution of an action as a correct
execution of another action.
- Abstract(参考訳): 本稿では,人間の動作や行動の正しさを評価する上で,機械学習が果たす役割に焦点を当てる。
このタスクはジェスチャーやアクション認識よりも難しいことが証明されている。
最近のデータセットでの一連の実験を通じて、機械学習アルゴリズムは特定のアクションに対して良い結果をもたらすことができるが、アクションの誤った実行を別のアクションの正しい実行として分類する罠に陥る可能性があることを実証する。
関連論文リスト
- Reducing Action Space for Deep Reinforcement Learning via Causal Effect Estimation [15.684669299728743]
本研究では,行動の因果効果を推定し,探索効率を向上させる手法を提案する。
まず、環境の事前知識として機能するために、逆ダイナミクスモデルを事前訓練する。
各ステップでアクション空間全体にわたってアクションを分類し、各アクションの因果効果を推定し、冗長なアクションを抑制する。
論文 参考訳(メタデータ) (2025-01-24T14:47:33Z) - Dexterous Manipulation Based on Prior Dexterous Grasp Pose Knowledge [55.1299081537782]
そこで本稿では,事前のきめ細やかな知識を活用して,効率と精度を両立させる新しい強化学習手法を提案する。
実験の結果,4つのタスクで学習効率と成功率が大きく向上した。
論文 参考訳(メタデータ) (2024-12-20T05:46:29Z) - Coarse-to-fine Q-Network with Action Sequence for Data-Efficient Robot Learning [62.3886343725955]
本稿では,新しい値に基づく強化学習アルゴリズムであるCQN-AS(Coarse-to-fine Q-Network with Action Sequence)を紹介する。
我々は,53のロボットタスクに対して,疎密かつ高密度な報酬と実演と無実の報酬を用いたアルゴリズムを検討した。
論文 参考訳(メタデータ) (2024-11-19T01:23:52Z) - Offline Imitation Learning Through Graph Search and Retrieval [57.57306578140857]
模倣学習は、ロボットが操作スキルを取得するための強力な機械学習アルゴリズムである。
本稿では,グラフ検索と検索により,最適下実験から学習する,シンプルで効果的なアルゴリズムGSRを提案する。
GSRは、ベースラインに比べて10%から30%高い成功率、30%以上の熟練を達成できる。
論文 参考訳(メタデータ) (2024-07-22T06:12:21Z) - Unsupervised Learning of Effective Actions in Robotics [0.9374652839580183]
ロボット工学における現在の最先端のアクション表現は、ロボットのアクションに対する適切な効果駆動学習を欠いている。
連続運動空間の離散化と「アクションプロトタイプ」生成のための教師なしアルゴリズムを提案する。
シミュレーションされた階段登上補強学習課題について,本手法の評価を行った。
論文 参考訳(メタデータ) (2024-04-03T13:28:52Z) - An Exploration of Data Efficiency in Intra-Dataset Task Transfer for
Dialog Understanding [65.75873687351553]
本研究は,対話領域における逐次移動学習における目標タスク訓練データ量の影響について検討する。
非意図的に、我々のデータでは、タスクトレーニングデータのサイズを目標とする場合、シーケンシャルトランスファーラーニングがトランスファーラーニングなしで同じモデルと比較した場合、最小限の効果が示される。
論文 参考訳(メタデータ) (2022-10-21T04:36:46Z) - Understanding Physical Effects for Effective Tool-use [91.55810923916454]
本稿では,最小の協力力で効果的なツール利用戦略を創出するロボット学習計画フレームワークを提案する。
FEM(Finite Element Method)をベースとしたシミュレータを用いて,観測ツール使用時の細粒度,連続的な視覚的,身体的効果を再現する。
シミュレーションでは,提案手法が2つのタスクで観測されたものとは大きく異なる,より効果的なツール利用戦略を実現できることを示す。
論文 参考訳(メタデータ) (2022-06-30T03:13:38Z) - Utilizing Skipped Frames in Action Repeats via Pseudo-Actions [13.985534521589253]
多くの深層強化学習では、エージェントがアクションを取ると、次のアクション決定点まで状態を観察しずに、事前定義された回数で同じアクションを繰り返します。
訓練データの量は、反復する行動の間隔に逆比例するので、トレーニングのサンプル効率に悪影響を及ぼす可能性がある。
疑似アクションの概念を導入してこの問題を緩和する,シンプルだが効果的なアプローチを提案する。
論文 参考訳(メタデータ) (2021-05-07T02:43:44Z) - Action similarity judgment based on kinematic primitives [48.99831733355487]
運動学に基づく計算モデルが動作類似性を決定する範囲について検討する。
選択されたモデルは、発達ロボティクスにルーツを持ち、学習されたキネマティックプリミティブに基づいて行動分類を行う。
その結果, 動作類似性タスクにおいて, モデルと人的性能の双方が, 運動レベルの特徴に基づく精度が高いことがわかった。
論文 参考訳(メタデータ) (2020-08-30T13:58:47Z) - ConvGRU in Fine-grained Pitching Action Recognition for Action Outcome
Prediction [4.073910992747716]
きめ細かい行動認識は、人間とロボットの相互作用、インテリジェントな交通管理、スポーツトレーニング、ヘルスケアなど、多くの分野において重要である。
本稿では,畳み込みゲートリカレントユニット(ConvGRU)法の性能について検討する。
人間の行動のRGB画像のシーケンスに基づいて、提案手法は79.17%の性能を達成した。
論文 参考訳(メタデータ) (2020-08-18T09:27:17Z)
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。