論文の概要: Wearable-based Classification of Running Styles with Deep Learning
- arxiv url: http://arxiv.org/abs/2109.00594v1
- Date: Wed, 1 Sep 2021 19:55:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-03 13:50:29.259517
- Title: Wearable-based Classification of Running Styles with Deep Learning
- Title（参考訳）: ディープラーニングによるランニングスタイルのウェアラブルベース分類
- Authors: Setareh Rahimi Taghanaki, Michael Rainbow, Ali Etemad
- Abstract要約: 我々はウェアラブルを用いてランニングスタイルを分類できるシステムを開発した。
5つのウェアラブルデバイスは、下半身の異なる部分からの加速度計データを記録するために使用される。
提案モデルでは,異なるランニングスタイルを主観的な方法で自動的に分類できることを示す。
- 参考スコア（独自算出の注目度）: 8.422257363944295
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Automatic classification of running styles can enable runners to obtain
feedback with the aim of optimizing performance in terms of minimizing energy
expenditure, fatigue, and risk of injury. To develop a system capable of
classifying running styles using wearables, we collect a dataset from 10
healthy runners performing 8 different pre-defined running styles. Five
wearable devices are used to record accelerometer data from different parts of
the lower body, namely left and right foot, left and right medial tibia, and
lower back. Using the collected dataset, we develop a deep learning solution
which consists of a Convolutional Neural Network and Long Short-Term Memory
network to first automatically extract effective features, followed by learning
temporal relationships. Score-level fusion is used to aggregate the
classification results from the different sensors. Experiments show that the
proposed model is capable of automatically classifying different running styles
in a subject-dependant manner, outperforming several classical machine learning
methods (following manual feature extraction) and a convolutional neural
network baseline. Moreover, our study finds that subject-independent
classification of running styles is considerably more challenging than a
subject-dependant scheme, indicating a high level of personalization in such
running styles. Finally, we demonstrate that by fine-tuning the model with as
few as 5% subject-specific samples, considerable performance boost is obtained.
- Abstract（参考訳）: ランニングスタイルの自動分類は、走者がエネルギー消費、疲労、怪我のリスクを最小限に抑え、パフォーマンスを最適化するためにフィードバックを得ることを可能にする。
ウェアラブルを用いてランニングスタイルを分類できるシステムを開発するために,8種類のランニングスタイルを実行する健康ランナー10名のデータセットを収集した。
5つのウェアラブルデバイスは、下半身のさまざまな部分、すなわち左足と右足、左右中耳骨、そして下肢の加速度計データを記録するために使用される。
収集したデータセットを用いて、畳み込みニューラルネットワークとLong Short-Term Memory Networkからなるディープラーニングソリューションを開発し、まず有効な特徴を抽出し、続いて時間的関係を学習する。
スコアレベルの融合は、異なるセンサーの分類結果を集約するために使用される。
実験の結果,提案モデルでは,複数の古典的機械学習手法(手動特徴抽出)と畳み込みニューラルネットワークベースラインよりも優れた動作スタイルを主観的に自動分類できることがわかった。
さらに,本研究では,ランニングスタイルの主体非依存の分類が,ランニングスタイルのパーソナライズレベルが高いことを示す主観依存型スキームよりもかなり難しいことを見出した。
最後に,5%の被験者固有のサンプルでモデルを微調整することで,相当な性能向上が得られることを示す。
関連論文リスト
- A Two-Phase Recall-and-Select Framework for Fast Model Selection [13.385915962994806]
本稿では,2相モデル選択フレームワークを提案する。
これは、ベンチマークデータセット上でモデルのトレーニングパフォーマンスを活用することにより、堅牢なモデルを選択する効率を高めることを目的としている。
提案手法は,従来のベースライン法に比べて約3倍の速度でハイパフォーマンスモデルの選択を容易にすることが実証された。
論文 参考訳（メタデータ） (2024-03-28T14:44:44Z) - A Performance-Driven Benchmark for Feature Selection in Tabular Deep
Learning [131.2910403490434]
データサイエンティストは通常、データセットにできるだけ多くの機能を集め、既存の機能から新しい機能を設計する。
既存のタブ形式の特徴選択のためのベンチマークでは、古典的な下流モデル、おもちゃの合成データセット、あるいは下流のパフォーマンスに基づいて特徴セレクタを評価していない。
変換器を含む下流ニューラルネットワーク上で評価された課題のある特徴選択ベンチマークを構築した。
また,従来の特徴選択法よりも高い性能を有するニューラルネットワークのための,Lassoのインプット・グラディエント・ベース・アナログも提案する。
論文 参考訳（メタデータ） (2023-11-10T05:26:10Z) - Continual Learning in Open-vocabulary Classification with Complementary Memory Systems [19.337633598158778]
オープン語彙画像分類におけるフレキシブルで効率的な連続学習法を提案する。
サンプルのクラスが模範クラス内にあるというゼロショット推定確率を用いて、CLIPゼロショットモデルと模範モデルからの予測を組み合わせる。
また,遅延学習の原則を適応した"ツリープローブ"手法を提案し,競合精度の高い新しい例からバッチ学習線形モデルへの高速学習を実現する。
論文 参考訳（メタデータ） (2023-07-04T01:47:34Z) - Revisiting Classifier: Transferring Vision-Language Models for Video
Recognition [102.93524173258487]
ダウンストリームタスクのためのタスク非依存の深層モデルから知識を伝達することは、コンピュータビジョン研究において重要なトピックである。
本研究では,映像分類作業における知識の伝達に着目した。
予測された言語モデルを用いて、効率的な翻訳学習のための適切なセマンティックターゲットを生成する。
論文 参考訳（メタデータ） (2022-07-04T10:00:47Z) - Feature matching as improved transfer learning technique for wearable
EEG [9.508350808051908]
本稿では,一般的なファインタニング手法の代替として,新しいトランスファー学習戦略を提案する。
この方法は、ソースモダリティから大量のデータと、ソースモダリティとターゲットモダリティのペアの少ないサンプルをトレーニングする。
特徴マッチングと3つの異なるターゲットドメインの微調整,2つの異なるニューラルネットワークアーキテクチャ,さまざまなトレーニングデータとの比較を行った。
論文 参考訳（メタデータ） (2021-12-29T12:07:42Z) - The Devil Is in the Details: An Efficient Convolutional Neural Network
for Transport Mode Detection [3.008051369744002]
トランスポートモード検出は、マルチモーダル信号が与えられたユーザのトランスポートモードを推測できるアルゴリズムを設計することを目的とした分類問題である。
小型で最適化されたモデルが、現在のディープモデルと同様に動作可能であることを示す。
論文 参考訳（メタデータ） (2021-09-16T08:05:47Z) - Partner-Assisted Learning for Few-Shot Image Classification [54.66864961784989]
人間の視覚能力を模倣し、徹底的な人間のアノテーションを必要とせずに効果的なモデルを学ぶために、わずかなショットラーニングが研究されている。
本稿では,新しいクラスのプロトタイプをラベル付きサンプルから推定できるように,要素表現を得るためのトレーニング戦略の設計に焦点をあてる。
本稿では,まずパートナーエンコーダのペアワイド類似性をモデル化し,ソフトアンカーとして機能する特徴を抽出し,その出力をソフトアンカーと整列させ,分類性能を最大化しようとする2段階トレーニング手法を提案する。
論文 参考訳（メタデータ） (2021-09-15T22:46:19Z) - STAR: Sparse Transformer-based Action Recognition [61.490243467748314]
本研究は,空間的次元と時間的次元に細かな注意を払っている新しいスケルトンに基づく人間行動認識モデルを提案する。
実験により、トレーニング可能なパラメータをはるかに少なくし、トレーニングや推論の高速化を図りながら、モデルが同等のパフォーマンスを達成できることが示されている。
論文 参考訳（メタデータ） (2021-07-15T02:53:11Z) - Semi-Supervised Few-Shot Classification with Deep Invertible Hybrid
Models [4.189643331553922]
半教師付き小ショット分類のための潜在空間レベルで識別学習と生成学習を統合するディープ・インバーチブルハイブリッドモデルを提案する。
我々の主な独創性は、これらのコンポーネントを潜在空間レベルで統合することであり、過度な適合を防ぐのに有効である。
論文 参考訳（メタデータ） (2021-05-22T05:55:16Z) - Automatic Recall Machines: Internal Replay, Continual Learning and the
Brain [104.38824285741248]
ニューラルネットワークのリプレイには、記憶されたサンプルを使ってシーケンシャルなデータのトレーニングが含まれる。
本研究では,これらの補助サンプルをフライ時に生成する手法を提案する。
代わりに、評価されたモデル自体内の学習したサンプルの暗黙の記憶が利用されます。
論文 参考訳（メタデータ） (2020-06-22T15:07:06Z) - A Trainable Optimal Transport Embedding for Feature Aggregation and its
Relationship to Attention [96.77554122595578]
固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。
我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
論文 参考訳（メタデータ） (2020-06-22T08:35:58Z)
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。