論文の概要: Accoustate: Auto-annotation of IMU-generated Activity Signatures under Smart Infrastructure

• arxiv url: http://arxiv.org/abs/2112.06651v1
• Date: Wed, 8 Dec 2021 13:57:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-19 12:26:36.977651
• Title: Accoustate: Auto-annotation of IMU-generated Activity Signatures under Smart Infrastructure
• Title（参考訳）: accoustate: スマートインフラストラクチャ下のicm生成アクティビティシグネチャの自動注釈
• Authors: Soumyajit Chatterjee, Arun Singh, Bivas Mitra, and Sandip Chakraborty
• Abstract要約: 本稿では,人間の活動から発生する音響的シグネチャを利用して,ウェアラブルのIMUデータをエッジにラベル付けする。 我々は,2人の個人が同時に,異なる活動を行う場合でも,音響ベースで事前学習したHARモデルを用いてIMUデータのクロスモーダルなラベル付けを行う。
• 参考スコア（独自算出の注目度）: 11.400263490082367
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human activities within smart infrastructures generate a vast amount of IMU data from the wearables worn by individuals. Many existing studies rely on such sensory data for human activity recognition (HAR); however, one of the major bottlenecks is their reliance on pre-annotated or labeled data. Manual human-driven annotations are neither scalable nor efficient, whereas existing auto-annotation techniques heavily depend on video signatures. Still, video-based auto-annotation needs high computation resources and has privacy concerns when the data from a personal space, like a smart-home, is transferred to the cloud. This paper exploits the acoustic signatures generated from human activities to label the wearables' IMU data at the edge, thus mitigating resource requirement and data privacy concerns. We utilize acoustic-based pre-trained HAR models for cross-modal labeling of the IMU data even when two individuals perform simultaneous but different activities under the same environmental context. We observe that non-overlapping acoustic gaps exist with a high probability during the simultaneous activities performed by two individuals in the environment's acoustic context, which helps us resolve the overlapping activity signatures to label them individually. A principled evaluation of the proposed approach on two real-life in-house datasets further augmented to create a dual occupant setup, shows that the framework can correctly annotate a significant volume of unlabeled IMU data from both individuals with an accuracy of $\mathbf{82.59\%}$ ($\mathbf{\pm 17.94\%}$) and $\mathbf{98.32\%}$ ($\mathbf{\pm 3.68\%}$), respectively, for a workshop and a kitchen environment.
• Abstract（参考訳）: スマートインフラストラクチャ内のヒューマンアクティビティは、個人が着用するウェアラブルから大量のIMUデータを生成する。 既存の多くの研究は、人間の活動認識(HAR)のための感覚データに依存しているが、主要なボトルネックの1つは、事前に注釈付けされたデータやラベル付けされたデータに依存することである。 手動の人間駆動アノテーションはスケーラブルでも効率的でもないが、既存の自動アノテーション技術はビデオシグネチャに大きく依存している。 それでもビデオベースの自動アノテーションには高い計算リソースが必要であり、スマートホームのようなパーソナルスペースからのデータがクラウドに転送される場合、プライバシー上の懸念がある。 本稿では,人間の活動から発生する音響的シグネチャを利用してウェアラブルのIMUデータをエッジにラベル付けすることで,リソース要件とデータプライバシの懸念を軽減する。 同じ環境下で2人の個人が同時に異なる活動を行う場合であっても、音響ベースで事前学習したHARモデルを用いてIMUデータの相互ラベル付けを行う。 環境の音響的文脈における2人の個人による同時行動中に,重複しない音響的ギャップが高い確率で存在することを観察し,重複する活動のシグネチャを個別にラベル付けする。 2つの実生活内データセットに対する提案されたアプローチの原則的評価は、ワークショップとキッチン環境において、それぞれ$\mathbf{82.59\%}$(\mathbf{\pm 17.94\%}$)と$\mathbf{98.32\%}$(\mathbf{\pm 3.68\%}$)の精度で、両方の個人から、ラベル付けされていないIMUデータのかなりの量を正しく注釈付けできることを示している。

関連論文リスト

• PRIMUS: Pretraining IMU Encoders with Multimodal Self-Supervision [7.896850422430362]
  パーソナルデバイスに埋め込まれた慣性測定ユニット(IMU)は、健康と健康に大きな応用を可能にしている。 ラベル付きIMUデータは少ないが、ラベル付きまたは弱いラベル付きIMUデータを収集して人間の動きをモデル化することができる。 ビデオやテキストのモダリティに対して、"pretrain and adapt"アプローチでは、ラベル付きまたは弱いラベル付きデータを大量に使用して、事前トレーニングを行い、強力な特徴抽出器を構築し、その後、限定ラベル付きデータを使用して特定のタスクに適応する。 このアプローチはIMUドメインでは,(1)事前学習手法がIMUの文脈であまり理解されていないこと,の2つの理由から広く採用されていない。
  論文  参考訳（メタデータ） (2024-11-22T18:46:30Z)
• Consistency Based Weakly Self-Supervised Learning for Human Activity Recognition with Wearables [1.565361244756411]
  センサデータから人間の活動を認識するための弱自己教師型アプローチについて述べる。 提案手法は, クラスタリングアルゴリズムが, 基礎となる人間の行動を特定し, 分類する上で, 同等のパフォーマンスを達成するのに有効であることを示す。
  論文  参考訳（メタデータ） (2024-07-29T06:29:21Z)
• Downstream-Pretext Domain Knowledge Traceback for Active Learning [138.02530777915362]
  本稿では、下流知識と事前学習指導のデータ相互作用をトレースするダウンストリーム・プレテキスト・ドメイン知識トレース(DOKT)手法を提案する。 DOKTは、トレースバックの多様性指標とドメインベースの不確実性推定器から構成される。 10のデータセットで行った実験は、我々のモデルが他の最先端の手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-07-20T01:34:13Z)
• Self-Training with Pseudo-Label Scorer for Aspect Sentiment Quad Prediction [54.23208041792073]
  Aspect Sentiment Quad Prediction (ASQP) は、与えられたレビューに対して全てのクワッド(アスペクト項、アスペクトカテゴリー、意見項、感情極性)を予測することを目的としている。 ASQPタスクにおける重要な課題はラベル付きデータの不足であり、既存のメソッドのパフォーマンスを制限している。 そこで我々は,擬似ラベルスコアラーを用いた自己学習フレームワークを提案し,レビューと擬似ラベルの一致をスコアラーが評価する。
  論文  参考訳（メタデータ） (2024-06-26T05:30:21Z)
• Improving a Named Entity Recognizer Trained on Noisy Data with a Few Clean Instances [55.37242480995541]
  クリーンなインスタンスの小さなセットから,ノイズの多いNERデータを誘導することで,ノイズを発生させる手法を提案する。 メインのNERモデルとともに、判別器モデルをトレーニングし、その出力を使用してサンプルの重み付けを校正します。 クラウドソーシングと遠隔監視データセットの結果から,提案手法は少ないガイダンスセットで継続的に性能を向上させることができることが示された。
  論文  参考訳（メタデータ） (2023-10-25T17:23:37Z)
• Cross-Domain HAR: Few Shot Transfer Learning for Human Activity Recognition [0.2944538605197902]
  本稿では,HARデータセットを有効な転送学習に利用するための経済的なアプローチを提案する。 本稿では,教師が学習する自己学習パラダイムに則って,新たな伝達学習フレームワークであるクロスドメインHARを紹介する。 本手法の有効性を,撮影活動認識のシナリオで実証する。
  論文  参考訳（メタデータ） (2023-10-22T19:13:25Z)
• VALERIAN: Invariant Feature Learning for IMU Sensor-based Human Activity Recognition in the Wild [7.50015216403068]
  VALERIANは、Wild ウェアラブルセンサーベースのHARのための不変な特徴学習手法である。 VALERIANは、個別のタスク固有のレイヤを持つマルチタスクモデルをトレーニングすることにより、被験者間で共有された特徴表現の恩恵を受けながら、ノイズの多いラベルを個別に扱うことができる。
  論文  参考訳（メタデータ） (2023-03-03T18:22:14Z)
• Basket-based Softmax [12.744577044692276]
  我々は,バスケットベースソフトマックス(BBS)と呼ばれる新しい採鉱訓練戦略を提案する。 各トレーニングサンプルに対して、他のデータセットから負のクラスをマイニングする手がかりとして、類似度スコアを同時に採用する。 実世界とシミュレーションされたデータセットを用いて、顔認識と再識別のタスクにおけるBBSの効率性と優位性を実証する。
  論文  参考訳（メタデータ） (2022-01-23T16:43:29Z)
• Unsupervised Domain Adaptive Learning via Synthetic Data for Person Re-identification [101.1886788396803]
  人物再識別(re-ID)は、ビデオ監視に広く応用されているため、ますます注目を集めている。 残念なことに、主流のディープラーニング手法では、モデルをトレーニングするために大量のラベル付きデータが必要です。 本稿では,コンピュータゲーム内で合成されたre-IDサンプルを自動的に生成するデータコレクタを開発し,同時にアノテートするデータラベラを構築した。
  論文  参考訳（メタデータ） (2021-09-12T15:51:41Z)
• Noise-resistant Deep Metric Learning with Ranking-based Instance Selection [59.286567680389766]
  PRISM(Probabilistic Ranking-based Instance Selection with Memory)と呼ばれるDMLの耐騒音トレーニング技術を提案する。 PRISMは、ニューラルネットワークの以前のバージョンから抽出された画像特徴との平均的類似性を用いて、ミニバッチ内のノイズデータを識別する。 メモリバンクが生み出す高い計算コストを緩和するために,個々のデータポイントをクラスセンタに置き換える高速化手法を提案する。
  論文  参考訳（メタデータ） (2021-03-30T03:22:17Z)
• Learning from Noisy Similar and Dissimilar Data [84.76686918337134]
  ノイズSとDラベル付きデータから分類器を学習する方法を示す。 また、このような相互監督データからの学習と、通常のクラスラベルデータからの学習との間に重要な関連性を示す。
  論文  参考訳（メタデータ） (2020-02-03T19:59:16Z)

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。