論文の概要: Deep Learning in Human Activity Recognition with Wearable Sensors: A Review on Advances

• arxiv url: http://arxiv.org/abs/2111.00418v1
• Date: Sun, 31 Oct 2021 07:16:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-02 18:02:54.143366
• Title: Deep Learning in Human Activity Recognition with Wearable Sensors: A Review on Advances
• Title（参考訳）: ウェアラブルセンサを用いた人間の活動認識における深層学習 : 進歩の展望
• Authors: Shibo Zhang, Yaxuan Li, Shen Zhang, Farzad Shahabi, Stephen Xia, Yu Deng and Nabil Alshurafa
• Abstract要約: ディープラーニングは、モバイルおよびウェアラブルデバイスにおける人間の活動認識の境界を大きく押し上げている。 本稿では,ウェアラブルをベースとしたHARのためのディープラーニング手法を導入した既存の研究を体系的に分類し,要約する。 深層学習に基づくHARのための最先端フロンティアと今後の方向性も提示する。
• 参考スコア（独自算出の注目度）: 8.642789007878479
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Mobile and wearable devices have enabled numerous applications, including activity tracking, wellness monitoring, and human-computer interaction, that measure and improve our daily lives. Many of these applications are made possible by leveraging the rich collection of low-power sensors found in many mobile and wearable devices to perform human activity recognition (HAR). Recently, deep learning has greatly pushed the boundaries of HAR on mobile and wearable devices. This paper systematically categorizes and summarizes existing work that introduces deep learning methods for wearables-based HAR and provides a comprehensive analysis of the current advancements, developing trends, and major challenges. We also present cutting-edge frontiers and future directions for deep learning--based HAR.
• Abstract（参考訳）: モバイルおよびウェアラブルデバイスは、私たちの日常生活を計測し改善するアクティビティトラッキング、ウェルネスモニタリング、人間とコンピュータのインタラクションなど、数多くのアプリケーションを可能にしている。 これらのアプリケーションの多くは、多くのモバイルおよびウェアラブルデバイスで見られる大量の低消費電力センサーを活用して、ヒューマンアクティビティ認識(har)を実行することで実現されている。 近年、ディープラーニングはモバイルおよびウェアラブルデバイスにおけるHARの境界を大きく押し上げている。 本稿では,ウェアラブルをベースとしたHARの深層学習手法を導入し,現在の進歩,動向,課題を包括的に分析した既存の研究を体系的に分類し,要約する。 深層学習に基づくHARのための最先端フロンティアと今後の方向性も提示する。

関連論文リスト

• Underwater Object Detection in the Era of Artificial Intelligence: Current, Challenge, and Future [119.88454942558485]
  水中物体検出(UOD)は、水中の画像やビデオ中の物体を識別し、ローカライズすることを目的としている。 近年、人工知能(AI)に基づく手法、特に深層学習法は、UODにおいて有望な性能を示している。
  論文  参考訳（メタデータ） (2024-10-08T00:25:33Z)
• SoK: Behind the Accuracy of Complex Human Activity Recognition Using Deep Learning [4.580983642743026]
  HAR(Human Activity Recognition)は1980年代にさかのぼる研究分野である。 本稿では,データバージョニングやモデルキャパシティといった複雑なHARの不正確性につながる要因を包括的に体系化する。
  論文  参考訳（メタデータ） (2024-04-25T10:07:56Z)
• Overview of Human Activity Recognition Using Sensor Data [4.941233729756897]
  ヒューマンアクティビティ認識(HAR)は、ホームや職場の自動化、セキュリティ、監視、医療など、さまざまな用途で使用されている。 センサベースHARの概要を概説し、HARに依存したいくつかの重要な応用について論じ、HARで使われている最も一般的な機械学習手法を強調した。 HARの堅牢性をさらに向上するために、HARのいくつかの課題について検討する。
  論文  参考訳（メタデータ） (2023-09-12T10:37:42Z)
• Multi-Fidelity Active Learning with GFlowNets [65.91555804996203]
  本稿では,GFlowNetsをサンプルとして多要素能動学習アルゴリズムを提案する。 分子探索タスクの評価は,GFlowNetsを用いた多要素能動学習が,その単要素の予算のごく一部で高い評価の候補を発見できることを示す。
  論文  参考訳（メタデータ） (2023-06-20T17:43:42Z)
• Human Activity Recognition Using Tools of Convolutional Neural Networks: A State of the Art Review, Data Sets, Challenges and Future Prospects [7.275302131211702]
  このレビューでは、人間の活動認識のための畳み込みニューラルネットワーク(CNN)という、幅広いディープニューラルネットワークアーキテクチャに基づく最近の研究を要約する。 レビューされたシステムは、マルチモーダルセンシングデバイス、スマートフォン、レーダー、ビジョンデバイスなどの入力デバイスの使用によって、4つのカテゴリに分類される。
  論文  参考訳（メタデータ） (2022-02-02T18:52:13Z)
• Tutorial on Deep Learning for Human Activity Recognition [70.94062293989832]
  このチュートリアルは2021年のACM International Symposium on Wearable Computers (ISWC'21)で初めて開催された。 これは、人間のアクティビティを深く学習する上で、データパイプラインにおける最も重要なステップの、ハンズオンでインタラクティブなウォークスルーを提供する。
  論文  参考訳（メタデータ） (2021-10-13T12:01:02Z)
• Deep Learning for Embodied Vision Navigation: A Survey [108.13766213265069]
  身体的視覚ナビゲーション」問題では、エージェントが3D環境をナビゲートする必要がある。 本稿では、総合的な文献調査を提供することで、視覚ナビゲーションの具体的分野における現在の研究の概要を確立することを試みる。
  論文  参考訳（メタデータ） (2021-07-07T12:09:04Z)
• Continual Learning in Sensor-based Human Activity Recognition: an Empirical Benchmark Analysis [4.686889458553123]
  センサーベースのヒューマンアクティビティ認識(HAR)は、スマートホーム、パーソナルヘルスケア、都市計画における多くの現実世界のアプリケーションのための重要なイネーブラーです。 HARシステムは、ゼロから再設計することなく、長期間にわたって新しいアクティビティを自律的に学習できますか? この問題は連続学習と呼ばれ、コンピュータビジョンの分野で特に人気があります。
  論文  参考訳（メタデータ） (2021-04-19T15:38:22Z)
• Human Activity Recognition using Inertial, Physiological and Environmental Sensors: a Comprehensive Survey [3.1166345853612296]
  本研究は, 慣性センサと生理・環境センサを併用したHARアプリケーションの開発において, 機械学習が重要な役割を担っていることに焦点を当てる。 Harは、認知機能や身体機能を監視することで、高齢者の日常生活を支援する最も有望な補助的技術ツールの1つと考えられている。
  論文  参考訳（メタデータ） (2020-04-19T11:32:35Z)
• ZSTAD: Zero-Shot Temporal Activity Detection [107.63759089583382]
  本研究では,ゼロショット時間的活動検出(ZSTAD)と呼ばれる新たなタスク設定を提案する。 このソリューションのアーキテクチャとして,R-C3Dに基づくエンドツーエンドのディープネットワークを設計する。 THUMOS14とCharadesデータセットの両方の実験は、目に見えない活動を検出するという点で有望なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2020-03-12T02:40:36Z)
• Deep Learning for Sensor-based Human Activity Recognition: Overview, Challenges and Opportunities [52.59080024266596]
  本稿では,センサを用いた人間の活動認識のための最先端のディープラーニング手法について調査する。 まず、官能データのマルチモーダリティを導入し、公開データセットに情報を提供する。 次に、課題によって深層メソッドを構築するための新しい分類法を提案する。
  論文  参考訳（メタデータ） (2020-01-21T09:55:59Z)

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。