論文の概要: Human Activity Recognition using Attribute-Based Neural Networks and Context Information

• arxiv url: http://arxiv.org/abs/2111.04564v1
• Date: Thu, 28 Oct 2021 06:08:25 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-14 16:44:32.938009
• Title: Human Activity Recognition using Attribute-Based Neural Networks and Context Information
• Title（参考訳）: 属性ベースニューラルネットワークとコンテキスト情報を用いた人間活動認識
• Authors: Stefan L\"udtke and Fernando Moya Rueda and Waqas Ahmed and Gernot A. Fink and Thomas Kirste
• Abstract要約: 手作業におけるウェアラブルセンサデータから人間の活動認識(HAR)を考察する。 我々は、コンテキスト情報をディープニューラルネットワークベースのHARシステムに体系的に組み込む方法を示す。 提案したアーキテクチャは,最先端手法と比較してHAR性能が向上することを示す。
• 参考スコア（独自算出の注目度）: 61.67246055629366
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We consider human activity recognition (HAR) from wearable sensor data in manual-work processes, like warehouse order-picking. Such structured domains can often be partitioned into distinct process steps, e.g., packaging or transporting. Each process step can have a different prior distribution over activity classes, e.g., standing or walking, and different system dynamics. Here, we show how such context information can be integrated systematically into a deep neural network-based HAR system. Specifically, we propose a hybrid architecture that combines a deep neural network-that estimates high-level movement descriptors, attributes, from the raw-sensor data-and a shallow classifier, which predicts activity classes from the estimated attributes and (optional) context information, like the currently executed process step. We empirically show that our proposed architecture increases HAR performance, compared to state-of-the-art methods. Additionally, we show that HAR performance can be further increased when information about process steps is incorporated, even when that information is only partially correct.
• Abstract（参考訳）: 倉庫のオーダーピッキングなどの作業プロセスにおいて,ウェアラブルセンサデータからヒューマンアクティビティ認識(har)を検討する。 このような構造化ドメインは、パッケージングや輸送など、異なるプロセスステップに分割されることが多い。 各プロセスステップは、立ち上がりや歩行など、アクティビティクラス上の異なる事前分布と、異なるシステムダイナミクスを持つことができる。 本稿では,このようなコンテキスト情報をディープニューラルネットワークに基づくharシステムに体系的に統合する方法を示す。 具体的には、生センサデータから高レベルな動き記述子、属性を推定するディープニューラルネットワークと、現在実行中のプロセスステップのように、推定属性と(オプション)コンテキスト情報からアクティビティクラスを予測する浅層分類器を組み合わせたハイブリッドアーキテクチャを提案する。 提案したアーキテクチャは,最先端手法と比較してHAR性能が向上することを示す。 さらに,プロセスステップに関する情報が組み込まれた場合,その情報が部分的に正しい場合であっても,har性能をさらに向上できることを示す。

関連論文リスト

• Process-aware Human Activity Recognition [1.912429179274357]
  本稿では,HARの性能向上のために,コンテキストからのプロセス情報を組み込んだ新しい手法を提案する。 具体的には、機械学習モデルによって生成された確率的事象と、文脈情報から導出されるプロセスモデルとを一致させる。 このアライメントは、これらの2つの情報源を適応的に重み付けし、HARの精度を最適化する。
  論文  参考訳（メタデータ） (2024-11-13T17:53:23Z)
• Sensor Data Augmentation from Skeleton Pose Sequences for Improving Human Activity Recognition [5.669438716143601]
  HAR(Human Activity Recognition)は、ディープラーニングの普及に大きく貢献していない。 本稿では,センサをベースとしたウェアラブル型HARに対して,ポーズ・ツー・センサ・ネットワークモデルを導入することにより,新たなアプローチを提案する。 コントリビューションには、同時トレーニングの統合、直接ポーズ・ツー・センサ生成、MM-Fitデータセットの包括的な評価が含まれる。
  論文  参考訳（メタデータ） (2024-04-25T10:13:18Z)
• ALP: Action-Aware Embodied Learning for Perception [60.64801970249279]
  認知のための行動認識型身体学習(ALP)について紹介する。 ALPは、強化学習ポリシーと逆ダイナミクス予測目標を最適化することにより、行動情報を表現学習に組み込む。 ALPは、複数の下流認識タスクにおいて、既存のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-16T21:51:04Z)
• Inducing Gaussian Process Networks [80.40892394020797]
  本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。 特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。 実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
  論文  参考訳（メタデータ） (2022-04-21T05:27:09Z)
• Mutual information estimation for graph convolutional neural networks [0.0]
  本稿では,学習中にネットワークの内部表現を追跡するアーキテクチャに依存しない手法を提案する。 グラフベースアーキテクチャで導入された帰納バイアスが、完全に接続されたニューラルネットワークに対して相互情報平面をどのように変化させるかを比較する。
  論文  参考訳（メタデータ） (2022-03-31T08:30:04Z)
• Efficient Modelling Across Time of Human Actions and Interactions [92.39082696657874]
  3つの畳み込みニューラルネットワーク(CNND)における現在の固定サイズの時間的カーネルは、入力の時間的変動に対処するために改善できると主張している。 我々は、アーキテクチャの異なるレイヤにまたがる機能の違いを強化することで、アクションのクラス間でどのようにうまく対処できるかを研究する。 提案手法は、いくつかのベンチマークアクション認識データセットで評価され、競合する結果を示す。
  論文  参考訳（メタデータ） (2021-10-05T15:39:11Z)
• Human Activity Recognition Models in Ontology Networks [0.5801044612920815]
  Arianna+は、スマートホームがオンラインで認識できる知識を表現するためのネットワークを設計するためのフレームワークである。 arianna+は、プロシージャとステートメントの入力と出力の間の柔軟なインターフェースを提供する。 Arianna+は論理ベースの推論を用いて、イベントに基づいてプロシージャをスケジュールする。
  論文  参考訳（メタデータ） (2021-05-05T18:23:56Z)
• Joint Learning of Neural Transfer and Architecture Adaptation for Image Recognition [77.95361323613147]
  現在の最先端の視覚認識システムは、大規模データセット上でニューラルネットワークを事前トレーニングし、より小さなデータセットでネットワーク重みを微調整することに依存している。 本稿では,各ドメインタスクに適応したネットワークアーキテクチャの動的適応と,効率と効率の両面で重みの微調整の利点を実証する。 本手法は,ソースドメインタスクでスーパーネットトレーニングを自己教師付き学習に置き換え,下流タスクで線形評価を行うことにより,教師なしパラダイムに容易に一般化することができる。
  論文  参考訳（メタデータ） (2021-03-31T08:15:17Z)
• 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)
• Sensor Data for Human Activity Recognition: Feature Representation and Benchmarking [27.061240686613182]
  HAR(Human Activity Recognition)の分野は、監視装置(センサなど)から取得したデータを取得し、分析することに焦点を当てている。 我々は、異なる機械学習(ML)技術を用いて、人間のアクティビティを正確に認識する問題に対処する。
  論文  参考訳（メタデータ） (2020-05-15T00:46:55Z)

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。