論文の概要: The Devil Is in the Details: An Efficient Convolutional Neural Network
for Transport Mode Detection
- arxiv url: http://arxiv.org/abs/2109.09504v1
- Date: Thu, 16 Sep 2021 08:05:47 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-21 16:03:29.153874
- Title: The Devil Is in the Details: An Efficient Convolutional Neural Network
for Transport Mode Detection
- Title（参考訳）: 交通モード検出のための効率的な畳み込みニューラルネットワーク
- Authors: Hugues Moreau and Andr\'ea Vassilev and Liming Chen
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 3.008051369744002
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Transport mode detection is a classification problem aiming to design an
algorithm that can infer the transport mode of a user given multimodal signals
(GPS and/or inertial sensors). It has many applications, such as carbon
footprint tracking, mobility behaviour analysis, or real-time door-to-door
smart planning. Most current approaches rely on a classification step using
Machine Learning techniques, and, like in many other classification problems,
deep learning approaches usually achieve better results than traditional
machine learning ones using handcrafted features. Deep models, however, have a
notable downside: they are usually heavy, both in terms of memory space and
processing cost. We show that a small, optimized model can perform as well as a
current deep model. During our experiments on the GeoLife and SHL 2018
datasets, we obtain models with tens of thousands of parameters, that is, 10 to
1,000 times less parameters and operations than networks from the state of the
art, which still reach a comparable performance. We also show, using the
aforementioned datasets, that the current preprocessing used to deal with
signals of different lengths is suboptimal, and we provide better replacements.
Finally, we introduce a way to use signals with different lengths with the
lighter Convolutional neural networks, without using the heavier Recurrent
Neural Networks.
- Abstract（参考訳）: トランスポートモード検出は、マルチモーダル信号(GPSや慣性センサー)をユーザのトランスポートモードに推論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。
カーボンフットプリントトラッキング、モビリティ行動分析、リアルタイムのドアツードアスマートプランニングなど、多くのアプリケーションがある。
現在のほとんどのアプローチは、機械学習技術を使った分類ステップに依存しており、他の多くの分類問題と同様に、ディープラーニングアプローチは、手作りの機能を使った従来の機械学習手法よりも優れた結果が得られる。
しかし、深層モデルには注目すべき欠点がある。それらは通常、メモリ空間と処理コストの両方の観点から重い。
小型で最適化されたモデルが現在の深層モデルと同様に機能することを示す。
geolifeとshl 2018データセットの実験では、最先端のネットワークに比べて数万のパラメータ、すなわち10～1000分の1のパラメータと操作を持つモデルが得られました。
また、前述のデータセットを用いて、異なる長さの信号を扱う現在の前処理が最適ではないことを示し、より良い代替を提供する。
最後に、より重いリカレントニューラルネットワークを用いることなく、より軽い畳み込みニューラルネットワークで異なる長さの信号を使用する方法を提案する。
関連論文リスト
- Explainable AI for Comparative Analysis of Intrusion Detection Models [20.683181384051395]
本研究は,ネットワークトラフィックから侵入検出を行うために,各種機械学習モデルを二分分類および多クラス分類のタスクに解析する。
すべてのモデルをUNSW-NB15データセットで90%の精度でトレーニングしました。
また、Random Forestは正確さ、時間効率、堅牢性という点で最高のパフォーマンスを提供します。
論文 参考訳（メタデータ） (2024-06-14T03:11:01Z) - Legged Robot State Estimation With Invariant Extended Kalman Filter
Using Neural Measurement Network [2.0405494347486197]
我々は、ニューラルネットワーク(NMN)と不変拡張カルマンフィルタを統合する状態推定フレームワークを開発した。
提案手法は,既存のモデルベース状態推定器と比較して位置ドリフトを著しく低減する。
論文 参考訳（メタデータ） (2024-02-01T06:06:59Z) - Optimizing Dense Feed-Forward Neural Networks [0.0]
本稿では,プルーニングと移動学習に基づくフィードフォワードニューラルネットワークの構築手法を提案する。
提案手法では,パラメータ数を70%以上圧縮できる。
また、ニューラルネットワークをスクラッチからトレーニングしたモデルと元のモデルを比較し、トランスファー学習レベルを評価した。
論文 参考訳（メタデータ） (2023-12-16T23:23:16Z) - Efficient Model Adaptation for Continual Learning at the Edge [15.334881190102895]
ほとんどの機械学習(ML)システムは、トレーニングとデプロイメントの間、定常的で一致したデータ分散を前提としている。
データ分布は、環境要因、センサー特性、タスク・オブ・関心などの変化により、時間とともに変化することが多い。
本稿では,ドメインシフト下での効率的な連続学習のためのアダプタ・リコンフィグレータ(EAR)フレームワークを提案する。
論文 参考訳（メタデータ） (2023-08-03T23:55:17Z) - Convolutional Neural Networks for the classification of glitches in
gravitational-wave data streams [52.77024349608834]
我々は、高度LIGO検出器のデータから過渡ノイズ信号(グリッチ)と重力波を分類する。
どちらも、Gravity Spyデータセットを使用して、スクラッチからトレーニングされた、教師付き学習アプローチのモデルを使用します。
また、擬似ラベルの自動生成による事前学習モデルの自己教師型アプローチについても検討する。
論文 参考訳（メタデータ） (2023-03-24T11:12:37Z) - 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) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳（メタデータ） (2021-06-17T17:26:31Z) - SignalNet: A Low Resolution Sinusoid Decomposition and Estimation
Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。
基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。
シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文 参考訳（メタデータ） (2021-06-10T04:21:20Z) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳（メタデータ） (2020-12-15T16:29:49Z) - Model Fusion via Optimal Transport [64.13185244219353]
ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。
これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
論文 参考訳（メタデータ） (2019-10-12T22:07:15Z)
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。