論文の概要: Sensor Data Augmentation with Resampling for Contrastive Learning in Human Activity Recognition

• arxiv url: http://arxiv.org/abs/2109.02054v1
• Date: Sun, 5 Sep 2021 12:18:53 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-08 06:10:53.162528
• Title: Sensor Data Augmentation with Resampling for Contrastive Learning in Human Activity Recognition
• Title（参考訳）: 人間行動認識におけるコントラスト学習のための再サンプリングによるセンサデータ拡張
• Authors: Jinqiang Wang, Tao Zhu, Jingyuan Gan, Huansheng Ning and Yaping Wan
• Abstract要約: 本研究では,人間の活動認識に基づくコントラスト学習フレームワークを提案し,コントラスト学習のデータ強化フェーズに適用する。 実験の結果, 再サンプル化法は, UCI HARで9.88%, モーションセンサで7.69%, 教師あり学習で優れていた。
• 参考スコア（独自算出の注目度）: 2.700150008541481
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human activity recognition plays an increasingly important role not only in our daily lives, but also in the medical and rehabilitation fields. The development of deep learning has also contributed to the advancement of human activity recognition, but the large amount of data annotation work required to train deep learning models is a major obstacle to the development of human activity recognition. Contrastive learning has started to be used in the field of sensor-based human activity recognition due to its ability to avoid the cost of labeling large datasets and its ability to better distinguish between sample representations of different instances. Among them, data augmentation, an important part of contrast learning, has a significant impact on model effectiveness, but current data augmentation methods do not perform too successfully in contrast learning frameworks for wearable sensor-based activity recognition. To optimize the effect of contrast learning models, in this paper, we investigate the sampling frequency of sensors and propose a resampling data augmentation method. In addition, we also propose a contrast learning framework based on human activity recognition and apply the resampling augmentation method to the data augmentation phase of contrast learning. The experimental results show that the resampling augmentation method outperforms supervised learning by 9.88% on UCI HAR and 7.69% on Motion Sensor in the fine-tuning evaluation of contrast learning with a small amount of labeled data, and also reveal that not all data augmentation methods will have positive effects in the contrast learning framework. Finally, we explored the influence of the combination of different augmentation methods on contrastive learning, and the experimental results showed that the effect of most combination augmentation methods was better than that of single augmentation.
• Abstract（参考訳）: ヒトの活動認識は、日常生活だけでなく、医療やリハビリテーションの分野でもますます重要な役割を担っている。 深層学習の発展は、人間の活動認識の発展にも寄与しているが、深層学習モデルの訓練に必要な大量のデータアノテーション作業は、人間の活動認識の発展の大きな障害である。 対照的な学習は、大規模なデータセットのラベル付けコストを回避する能力と、異なるインスタンスのサンプル表現を区別する能力から、センサベースのヒューマンアクティビティ認識の分野で使われ始めている。 その中でも、コントラスト学習の重要な部分であるデータ拡張は、モデルの有効性に大きな影響を及ぼすが、現在のデータ拡張方法は、ウェアラブルセンサーによるアクティビティ認識のためのコントラスト学習フレームワークでは、あまりうまく機能しない。 本稿では,コントラスト学習モデルの効果を最適化するために,センサのサンプリング周波数を調査し,サンプルデータ拡張手法を提案する。 また,人間行動認識に基づくコントラスト学習フレームワークを提案し,コントラスト学習のデータ増補フェーズにサンプル化強調法を適用した。 実験結果から, コントラスト学習を少量のラベル付きデータで微調整した場合, UCI HARでは9.88%, モーションセンサでは7.69%, 教師あり学習では9.88%に向上し, また, コントラスト学習フレームワークにおいてすべてのデータ拡張手法が肯定的な効果を持つわけではないことが明らかになった。 最後に,異なる強化法の組み合わせがコントラスト学習に与える影響について検討し,実験結果から,組み合わせ強化法が単強化法よりも優れていることが示された。

関連論文リスト

• Active Learning for Derivative-Based Global Sensitivity Analysis with Gaussian Processes [70.66864668709677]
  高価なブラックボックス関数のグローバル感度解析におけるアクティブラーニングの問題点を考察する。 関数評価は高価であるため,最も価値の高い実験資源の優先順位付けにアクティブラーニングを利用する。 本稿では,デリバティブに基づくグローバル感度測定の重要量を直接対象とする,新たな能動的学習獲得関数を提案する。
  論文  参考訳（メタデータ） (2024-07-13T01:41:12Z)
• A Matter of Annotation: An Empirical Study on In Situ and Self-Recall Activity Annotations from Wearable Sensors [56.554277096170246]
  In-the-wildデータ収集に焦点をあてたユーザスタディにおいて,一般的な4つのアノテーション手法の評価と対比を行う実験的検討を行った。 実際の記録プロセス中に参加者がアノテートするユーザ主導のin situアノテーションと、各日の終わりに参加者が振り返ってアノテートするリコールメソッドの両方に対して、参加者は自身のアクティビティクラスと対応するラベルを選択できる柔軟性を持っていた。
  論文  参考訳（メタデータ） (2023-05-15T16:02:56Z)
• Responsible Active Learning via Human-in-the-loop Peer Study [88.01358655203441]
  我々は,データプライバシを同時に保持し,モデルの安定性を向上させるために,Pear Study Learning (PSL) と呼ばれる責任あるアクティブラーニング手法を提案する。 まず,クラウドサイドのタスク学習者(教師)から未学習データを分離する。 トレーニング中、タスク学習者は軽量なアクティブ学習者に指示し、アクティブサンプリング基準に対するフィードバックを提供する。
  論文  参考訳（メタデータ） (2022-11-24T13:18:27Z)
• TASKED: Transformer-based Adversarial learning for human activity recognition using wearable sensors via Self-KnowledgE Distillation [6.458496335718508]
  本稿では,TASKED(Self-KnowledgE Distillation)を用いたウェアラブルセンサを用いた,トランスフォーマーに基づく人間行動認識のための新しい逆学習フレームワークを提案する。 提案手法では,教師なしの自己知識蒸留を採用し,訓練手順の安定性と人間の活動認識性能を向上させる。
  論文  参考訳（メタデータ） (2022-09-14T11:08:48Z)
• CCLF: A Contrastive-Curiosity-Driven Learning Framework for Sample-Efficient Reinforcement Learning [56.20123080771364]
  我々は、強化学習のためのモデルに依存しないコントラスト駆動学習フレームワーク(CCLF)を開発した。 CCLFは、サンプルの重要性を完全に活用し、自己管理的な学習効率を向上させる。 このアプローチをDeepMind Control Suite、Atari、MiniGridベンチマークで評価する。
  論文  参考訳（メタデータ） (2022-05-02T14:42:05Z)
• SURF: Semi-supervised Reward Learning with Data Augmentation for Feedback-efficient Preference-based Reinforcement Learning [168.89470249446023]
  我々は、大量のラベルなしサンプルとデータ拡張を利用する半教師付き報酬学習フレームワークSURFを提案する。 報奨学習にラベルのないサンプルを活用するために,選好予測器の信頼性に基づいてラベルのないサンプルの擬似ラベルを推定する。 本実験は, ロボット操作作業における嗜好に基づく手法のフィードバック効率を有意に向上させることを実証した。
  論文  参考訳（メタデータ） (2022-03-18T16:50:38Z)
• Exploring Contrastive Learning in Human Activity Recognition for Healthcare [14.05280649443195]
  HAR(Human Activity Recognition)は、ウェアラブルおよびモバイルセンシングにおいて最も重要なタスクの一つである。 HARのラベル付きデータセットの制限により、この研究は、視覚表現の対照的な学習技術であるSimCLRをHARに導入し、適応させることを探求する。
  論文  参考訳（メタデータ） (2020-11-23T16:55:22Z)
• Heterogeneous Contrastive Learning: Encoding Spatial Information for Compact Visual Representations [183.03278932562438]
  本稿では,エンコーディング段階に空間情報を加えることで,対照的な目的と強いデータ拡張操作の間の学習の不整合を緩和する効果的な手法を提案する。 提案手法は,視覚表現の効率を向上し,自己指導型視覚表現学習の今後の研究を刺激する鍵となるメッセージを提供する。
  論文  参考訳（メタデータ） (2020-11-19T16:26:25Z)
• Hard Negative Mixing for Contrastive Learning [29.91220669060252]
  我々は、コントラスト学習の重要な側面、すなわちハードネガティブの影響は、これまで無視されてきたと論じている。 計算オーバーヘッドを最小限に抑えながら、オンザフライで計算できる機能レベルでのハードネガティブな混合戦略を提案する。
  論文  参考訳（メタデータ） (2020-10-02T14:34:58Z)
• Towards Deep Clustering of Human Activities from Wearables [21.198881633580797]
  本研究では,ウェアラブルからの人間行動認識の基本的な問題に対して,教師なしのエンドツーエンド学習戦略を開発する。 本研究では,センサデータの教師なし表現を協調的に学習し,異なる人間の活動に強い意味的対応を持つクラスタ代入を生成する手法の有効性を示す。
  論文  参考訳（メタデータ） (2020-08-02T13:55:24Z)
• Attend And Discriminate: Beyond the State-of-the-Art for Human Activity Recognition using Wearable Sensors [22.786406177997172]
  ウェアラブルは、人間の活動に対する理解を改善するための基本です。 我々は、豊かで高度に差別化された活動表現を学ぶための新しい機会を精力的に探求する。 我々の貢献は4つの多様な活動認識問題ベンチマークにおいて、最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-07-14T16:44:16Z)

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。