論文の概要: Homogenization of Existing Inertial-Based Datasets to Support Human Activity Recognition

• arxiv url: http://arxiv.org/abs/2201.07891v1
• Date: Mon, 17 Jan 2022 14:29:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-21 13:58:25.213190
• Title: Homogenization of Existing Inertial-Based Datasets to Support Human Activity Recognition
• Title（参考訳）: 既存の慣性ベースデータセットの均質化による人間の活動認識支援
• Authors: Hamza Amrani, Daniela Micucci, Marco Mobilio, Paolo Napoletano
• Abstract要約: 信号から日常生活の行動を認識する問題に対処するために,いくつかの手法が提案されている。 慣性信号に適用する深層学習技術は有効であることが証明されており、かなりの分類精度が達成されている。 人間の行動認識モデルの研究は、ほぼ完全にモデル中心である。
• 参考スコア（独自算出の注目度）: 8.076841611508486
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Several techniques have been proposed to address the problem of recognizing activities of daily living from signals. Deep learning techniques applied to inertial signals have proven to be effective, achieving significant classification accuracy. Recently, research in human activity recognition (HAR) models has been almost totally model-centric. It has been proven that the number of training samples and their quality are critical for obtaining deep learning models that both perform well independently of their architecture, and that are more robust to intraclass variability and interclass similarity. Unfortunately, publicly available datasets do not always contain hight quality data and a sufficiently large and diverse number of samples (e.g., number of subjects, type of activity performed, and duration of trials). Furthermore, datasets are heterogeneous among them and therefore cannot be trivially combined to obtain a larger set. The final aim of our work is the definition and implementation of a platform that integrates datasets of inertial signals in order to make available to the scientific community large datasets of homogeneous signals, enriched, when possible, with context information (e.g., characteristics of the subjects and device position). The main focus of our platform is to emphasise data quality, which is essential for training efficient models.
• Abstract（参考訳）: 信号から日常生活の活動を認識するためのいくつかの手法が提案されている。 慣性信号に適用する深層学習手法は有効であることが証明されており、重要な分類精度を達成している。 近年,ヒト活動認識(HAR)モデルの研究はほぼ完全にモデル中心である。 トレーニングサンプルの数とその品質は、アーキテクチャから独立して機能し、クラス内の変動性とクラス間の類似性に対してより堅牢な深層学習モデルを得るために重要であることが証明されている。 残念ながら、公開されているデータセットには、常に高品質なデータと十分な量のサンプル(被験者数、実行された活動の種類、試行期間など)が含まれているとは限らない。 さらに、データセットはその間に不均一であり、したがってより大きな集合を得るために自明に組み合わせることはできない。 私たちの研究の最終目標は、慣性信号のデータセットを統合するプラットフォームの定義と実装であり、科学コミュニティが均質な信号からなる大きなデータセットを利用可能にするために、可能であればコンテキスト情報(例えば、対象とデバイスの位置)を充実させることです。 当社のプラットフォームの主な焦点は、効率的なモデルのトレーニングに不可欠なデータ品質を強調することです。

関連論文リスト

• Stochastic Amortization: A Unified Approach to Accelerate Feature and Data Attribution [62.71425232332837]
  雑音ラベル付きモデルを用いたトレーニングは安価で驚くほど効果的であることを示す。 このアプローチは、いくつかの特徴属性とデータ評価手法を著しく加速し、しばしば既存のアプローチよりも桁違いにスピードアップする。
  論文  参考訳（メタデータ） (2024-01-29T03:42:37Z)
• Amplifying Pathological Detection in EEG Signaling Pathways through Cross-Dataset Transfer Learning [10.212217551908525]
  実世界の病理分類課題におけるデータとモデルスケーリングとデータセット間の知識伝達の有効性について検討する。 ネガティブトランスファーの可能性の課題を特定し、いくつかの重要なコンポーネントの重要性を強調する。 以上の結果から,小規模で汎用的なモデル(ShallowNetなど)は単一データセット上では良好に動作するが,大規模なモデル(TCNなど)では,大規模かつ多様なデータセットからの転送や学習がより優れていることが示唆された。
  論文  参考訳（メタデータ） (2023-09-19T20:09:15Z)
• Exploring Data Redundancy in Real-world Image Classification through Data Selection [20.389636181891515]
  ディープラーニングモデルはトレーニングに大量のデータを必要とすることが多く、結果としてコストが増大する。 実世界の画像データの冗長性を調べるために,シナプスインテリジェンスと勾配ノルムに基づく2つのデータ評価指標を提案する。 オンラインおよびオフラインのデータ選択アルゴリズムは、検査されたデータ値に基づいてクラスタリングとグループ化によって提案される。
  論文  参考訳（メタデータ） (2023-06-25T03:31:05Z)
• Combining Public Human Activity Recognition Datasets to Mitigate Labeled Data Scarcity [1.274578243851308]
  本稿では,一般公開されたデータセットと一般化されたHARモデルを学習するための新たな戦略を提案する。 我々の実験評価は、さまざまな最先端ニューラルネットワークアーキテクチャの実験を含むもので、公開データセットを組み合わせることで、ラベル付きサンプルの数を著しく削減できることを示している。
  論文  参考訳（メタデータ） (2023-06-23T18:51:22Z)
• 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)
• Dataset Bias in Human Activity Recognition [57.91018542715725]
  このコントリビューションは、トレーニングデータを統計的にキュレートし、人間の身体的特性がHARのパフォーマンスにどの程度影響するかを評価する。 時系列HARのセンサ,アクティビティ,記録の異なる2つのHARデータセット上で,最先端の畳み込みニューラルネットワークの性能を評価する。
  論文  参考訳（メタデータ） (2023-01-19T12:33:50Z)
• Unsupervised Deep Learning-based clustering for Human Activity Recognition [8.716606664673982]
  本稿では,多次元慣性信号を自動的にラベル付けするDLベースのクラスタリングアーキテクチャであるdisC(Deep Inertial Sensory Clustering)を提案する。 このアーキテクチャは、リカレントオートエンコーダとクラスタリング基準を組み合わせることで、人間の活動関連信号を予測する。 この実験は、クラスタリング精度と正規化相互情報量の両方に対するdisCの有効性を示す。
  論文  参考訳（メタデータ） (2022-11-10T10:56:47Z)
• A Survey of Learning on Small Data: Generalization, Optimization, and Challenge [101.27154181792567]
  ビッグデータの一般化能力を近似した小さなデータについて学ぶことは、AIの究極の目的の1つである。 この調査はPACフレームワークの下でのアクティブサンプリング理論に従い、小さなデータにおける学習の一般化誤差とラベルの複雑さを分析した。 効率的な小さなデータ表現の恩恵を受けるかもしれない複数のデータアプリケーションについて調査する。
  論文  参考訳（メタデータ） (2022-07-29T02:34:19Z)
• Understanding the World Through Action [91.3755431537592]
  ラベルのないデータを利用するための汎用的で原則的で強力なフレームワークは、強化学習から導き出すことができると私は主張する。 このような手順が、下流の潜在的なタスクとどのように密接に一致しているかについて論じます。
  論文  参考訳（メタデータ） (2021-10-24T22:33:52Z)
• Similarity Embedding Networks for Robust Human Activity Recognition [19.162857787656247]
  我々は、入力センサ信号を、慎重に設計された畳み込み層とLSTM層を通して実ベクトルにマッピングする類似性埋め込みニューラルネットワークを設計する。 埋め込みネットワークは、ペアワイズな類似性損失でトレーニングされ、埋め込み実空間内の同じクラスからのサンプルのクラスタリングを奨励する。 2つの公開データセットに基づく広範囲な評価により、提案された類似性埋め込みネットワークは、HAR分類タスクにおける最先端のディープモデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2021-05-31T11:52:32Z)
• Diverse Complexity Measures for Dataset Curation in Self-driving [80.55417232642124]
  トラフィックシーンの面白さを定量化する多様な基準を活用した新たなデータ選択手法を提案する。 実験の結果,提案するキュレーションパイプラインは,より汎用的で高いパフォーマンスをもたらすデータセットを選択できることが判明した。
  論文  参考訳（メタデータ） (2021-01-16T23:45:02Z)

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。