論文の概要: A Novel Skeleton-Based Human Activity Discovery Technique Using Particle Swarm Optimization with Gaussian Mutation

• arxiv url: http://arxiv.org/abs/2201.05314v1
• Date: Fri, 14 Jan 2022 06:28:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-17 21:11:54.892107
• Title: A Novel Skeleton-Based Human Activity Discovery Technique Using Particle Swarm Optimization with Gaussian Mutation
• Title（参考訳）: ガウス変異を用いた粒子群最適化を用いた骨格に基づく新しい人間活動探索手法
• Authors: Parham Hadikhani, Daphne Teck Ching Lai and Wee-Hong Ong
• Abstract要約: 人間の活動発見は、各活動の定義に関する事前情報なしで、人間が行う活動を区別することを目的としている。 本稿では,3次元骨格配列における人間の活動探索を行うために,新しい非教師的手法を提案する。 3つのデータセットについて実験を行い,本手法の有効性を実証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human activity discovery aims to distinguish the activities performed by humans, without any prior information of what defines each activity. Most methods presented in human activity recognition are supervised, where there are labeled inputs to train the system. In reality, it is difficult to label data because of its huge volume and the variety of activities performed by humans. In this paper, a novel unsupervised approach is proposed to perform human activity discovery in 3D skeleton sequences. First, important frames are selected based on kinetic energy. Next, the displacement of joints, set of statistical, angles, and orientation features are extracted to represent the activities information. Since not all extracted features have useful information, the dimension of features is reduced using PCA. Most human activity discovery proposed are not fully unsupervised. They use pre-segmented videos before categorizing activities. To deal with this, we used the fragmented sliding time window method to segment the time series of activities with some overlapping. Then, activities are discovered by a novel hybrid particle swarm optimization with a Gaussian mutation algorithm to avoid getting stuck in the local optimum. Finally, k-means is applied to the outcome centroids to overcome the slow rate of PSO. Experiments on three datasets have been presented and the results show the proposed method has superior performance in discovering activities in all evaluation parameters compared to the other state-of-the-art methods and has increased accuracy of at least 4 % on average. The code is available here: https://github.com/parhamhadikhani/Human-Activity-Discovery-HPGMK
• Abstract（参考訳）: 人間の活動発見は、各活動の定義に関する事前情報なしで、人間が行う活動を区別することを目的としている。 人間の行動認識で提示されるほとんどの方法は、システムのトレーニングを行うためのラベル付き入力が存在する。 実際には、その膨大な量と、人間による様々な活動のために、データのラベル付けが困難である。 本稿では,3次元スケルトン配列で人間の活動の発見を行うための新しい非教師なしアプローチを提案する。 まず、重要なフレームを運動エネルギーに基づいて選択する。 次に、その活動情報を表すために、関節の変位、統計、角度、方位の特徴を抽出する。 全ての特徴が有用な情報を持っているわけではないので、PCAを用いて特徴の次元を縮小する。 提案された人間の活動の発見は、完全には監督されていない。 彼らはアクティビティを分類する前に、事前セグメンテーションされたビデオを使用する。 これに対処するために,断片化スライディングタイムウインドウ法を用いて,重複するアクティビティの時系列を分割した。 次に,ガウス突然変異アルゴリズムを用いた新しいハイブリッド粒子群最適化法により,局所的な最適値に留まらないようにする。 最後に、pSOの遅い速度を克服するために、結果セントロイドにk平均が適用される。 3つのデータセットに関する実験を行い, 提案手法は, 評価パラメータのすべてにおいて, 従来の手法と比較して優れたアクティビティ検出性能を示し, 平均4 %以上の精度向上を示した。 https://github.com/parhamhadikhani/Human-Activity-Discovery-HPGMK

関連論文リスト

• CLAN: A Contrastive Learning based Novelty Detection Framework for Human Activity Recognition [3.0108863071498035]
  CLANは、人間の活動認識のための2段階のコントラスト学習に基づく新規性検出フレームワークである。 それは、時間的および周波数的特徴の重要さを含む、人間の活動特性に関する課題に合わせたものである。 4つの実世界の人間活動データセットの実験により、CLANは既存の新規性検出手法の最高の性能を上回っていることが示された。
  論文  参考訳（メタデータ） (2024-01-17T03:57:36Z)
• Unsupervised Embedding Learning for Human Activity Recognition Using Wearable Sensor Data [2.398608007786179]
  我々は,人間の活動が密接な位置にある埋め込み空間に投影する,教師なしの手法を提案する。 3つのラベル付きベンチマークデータセットの実験結果は、フレームワークの有効性を示している。
  論文  参考訳（メタデータ） (2023-07-21T08:52:47Z)
• DisenHCN: Disentangled Hypergraph Convolutional Networks for Spatiotemporal Activity Prediction [53.76601630407521]
  本稿では,既存のソリューションのギャップを埋めるために,DistenHCNと呼ばれるハイパーグラフネットワークモデルを提案する。 特に,ユーザの好みと時間的活動の複雑なマッチングをヘテロジニアスなハイパーグラフにまとめる。 次に、ユーザ表現を異なる側面(位置認識、時間認識、活動認識)に切り離し、構築したハイパーグラフ上に対応するアスペクトの特徴を集約する。
  論文  参考訳（メタデータ） (2022-08-14T06:51:54Z)
• HAR-GCNN: Deep Graph CNNs for Human Activity Recognition From Highly Unlabeled Mobile Sensor Data [61.79595926825511]
  正確な活動ラベルを含むバランスのとれたデータセットを取得するには、人間が正しく注釈を付け、リアルタイムで被験者の通常の活動に干渉する必要がある。 本研究では,HAR-GCCNモデルを提案する。HAR-GCCNは,時系列に隣接したセンサ測定の相関を利用して,不特定活動の正確なラベルを予測する。 Har-GCCNは、これまで使用されていたベースライン手法と比較して優れたパフォーマンスを示し、分類精度を25%改善し、異なるデータセットで最大68%向上した。
  論文  参考訳（メタデータ） (2022-03-07T01:23:46Z)
• Compactness Score: A Fast Filter Method for Unsupervised Feature Selection [66.84571085643928]
  本稿では,CSUFS (Compactness Score) と呼ばれる高速な教師なし特徴選択手法を提案する。 提案アルゴリズムは既存のアルゴリズムよりも正確で効率的である。
  論文  参考訳（メタデータ） (2022-01-31T13:01:37Z)
• Self-supervised Pretraining with Classification Labels for Temporal Activity Detection [54.366236719520565]
  時間的アクティビティ検出は、1フレーム当たりのアクティビティクラスを予測することを目的としている。 検出に必要なフレームレベルのアノテーションが高価なため、検出データセットの規模は限られている。 本研究では,分類ラベルを利用した自己教師付き事前学習手法を提案する。
  論文  参考訳（メタデータ） (2021-11-26T18:59:28Z)
• HHAR-net: Hierarchical Human Activity Recognition using Neural Networks [2.4530909757679633]
  本研究では,人間の行動を認識するためにニューラルネットワークを用いた階層型分類を構築することを目的とする。 このデータセットは、野生で収集され、スマートフォンやスマートウォッチからのデータを含んでいる。
  論文  参考訳（メタデータ） (2020-10-28T17:06:42Z)
• DecAug: Augmenting HOI Detection via Decomposition [54.65572599920679]
  現在のアルゴリズムでは、データセット内のトレーニングサンプルやカテゴリの不均衡が不足している。 本稿では,HOI検出のためのDECAugと呼ばれる効率的かつ効率的なデータ拡張手法を提案する。 実験の結果,V-COCOおよびHICODETデータセットの3.3mAPと1.6mAPの改善が得られた。
  論文  参考訳（メタデータ） (2020-10-02T13:59:05Z)
• A Multi-Task Learning Approach for Human Activity Segmentation and Ergonomics Risk Assessment [1.2691047660244335]
  本稿では,グラフベースマルチタスクモデリングを用いた長ビデオにおけるヒューマンアクティビティ評価(HAE)の新たなアプローチを提案する。 提案手法をUW-IOMおよびTUM Kitchenデータセット上で評価した。
  論文  参考訳（メタデータ） (2020-08-07T06:53:56Z)
• Sequential Weakly Labeled Multi-Activity Localization and Recognition on Wearable Sensors using Recurrent Attention Networks [13.64024154785943]
  本稿では,逐次的にラベル付けされたマルチアクティビティ認識と位置情報タスクを処理するために,RAN(Recurrent attention network)を提案する。 我々のRANモデルは、粗粒度シーケンシャルな弱いラベルからマルチアクティビティータイプを同時に推測することができる。 手動ラベリングの負担を大幅に軽減する。
  論文  参考訳（メタデータ） (2020-04-13T04:57:09Z)
• 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)

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。