論文の概要: Human Motion Detection Using Sharpened Dimensionality Reduction and Clustering

• arxiv url: http://arxiv.org/abs/2202.11667v1
• Date: Wed, 23 Feb 2022 18:18:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-24 17:03:41.607482
• Title: Human Motion Detection Using Sharpened Dimensionality Reduction and Clustering
• Title（参考訳）: シャープな次元化とクラスタリングによる人間の動き検出
• Authors: Jeewon Heo, Youngjoo Kim and Jos B.T.M. Roerdink
• Abstract要約: 本研究では,高次元データの2次元投影を容易にラベル付けするためのクラスタリング手法を提案する。 我々は、SDRのパイプラインと、さまざまな合成および実世界のデータセット上でクラスタリング方法をテストする。 我々は、クラスタリングSDRの結果が、クラスタリングプレーンDRよりも優れたラベル付け結果をもたらすことを結論し、k-meansがSDRの推奨クラスタリング方法であることを示す。
• 参考スコア（独自算出の注目度）: 1.1172382217477126
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sharpened dimensionality reduction (SDR), which belongs to the class of multidimensional projection techniques, has recently been introduced to tackle the challenges in the exploratory and visual analysis of high-dimensional data. SDR has been applied to various real-world datasets, such as human activity sensory data and astronomical datasets. However, manually labeling the samples from the generated projection are expensive. To address this problem, we propose here to use clustering methods such as k-means, Hierarchical Clustering, Density-Based Spatial Clustering of Applications with Noise (DBSCAN), and Spectral Clustering to easily label the 2D projections of high-dimensional data. We test our pipeline of SDR and the clustering methods on a range of synthetic and real-world datasets, including two different public human activity datasets extracted from smartphone accelerometer or gyroscope recordings of various movements. We apply clustering to assess the visual cluster separation of SDR, both qualitatively and quantitatively. We conclude that clustering SDR results yields better labeling results than clustering plain DR, and that k-means is the recommended clustering method for SDR in terms of clustering accuracy, ease-of-use, and computational scalability.
• Abstract（参考訳）: 多次元射影技術に属するシャープ化次元還元(sdr)は,近年,高次元データの探索的・視覚的解析における課題に取り組むために導入されている。 SDRは、人間の活動感覚データや天文学的データセットなど、さまざまな現実世界のデータセットに適用されている。 しかし、生成したプロジェクションから手動でサンプルをラベル付けすることは高価である。 本稿では,k平均,階層クラスタリング,雑音を伴うアプリケーションの密度ベース空間クラスタリング(dbscan),スペクトルクラスタリングなどのクラスタリング手法を用いて,高次元データの2次元投影を容易にラベル付けする手法を提案する。 スマートフォンの加速度計やジャイロスコープ記録から抽出した2つの公開アクティビティデータセットを含む,合成および実世界のデータセット上で,sdrのパイプラインとクラスタリング手法をテストした。 SDRの視覚的クラスタ分離を定性的かつ定量的に評価するためにクラスタリングを適用した。 我々は、クラスタリングSDRの結果は、クラスタリングプレーンDRよりも優れたラベル付け結果をもたらすと結論付け、k平均はクラスタリング精度、使いやすさ、計算スケーラビリティの観点からSDRの推奨クラスタリング方法である。

関連論文リスト

• Self-Supervised Graph Embedding Clustering [70.36328717683297]
  K-means 1-step dimensionality reduction clustering method は,クラスタリングタスクにおける次元性の呪いに対処する上で,いくつかの進歩をもたらした。 本稿では,K-meansに多様体学習を統合する統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-24T08:59:51Z)
• Distributional Reduction: Unifying Dimensionality Reduction and Clustering with Gromov-Wasserstein [56.62376364594194]
  教師なし学習は、潜在的に大きな高次元データセットの基盤構造を捉えることを目的としている。 本研究では、最適輸送のレンズの下でこれらのアプローチを再検討し、Gromov-Wasserstein問題と関係を示す。 これにより、分散還元と呼ばれる新しい一般的なフレームワークが公開され、DRとクラスタリングを特別なケースとして回復し、単一の最適化問題内でそれらに共同で対処することができる。
  論文  参考訳（メタデータ） (2024-02-03T19:00:19Z)
• Rethinking k-means from manifold learning perspective [122.38667613245151]
  平均推定なしで直接データのクラスタを検出する新しいクラスタリングアルゴリズムを提案する。 具体的には,バタワースフィルタを用いてデータ点間の距離行列を構成する。 異なる視点に埋め込まれた相補的な情報をうまく活用するために、テンソルのSchatten p-norm正規化を利用する。
  論文  参考訳（メタデータ） (2023-05-12T03:01:41Z)
• 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)
• DRBM-ClustNet: A Deep Restricted Boltzmann-Kohonen Architecture for Data Clustering [0.0]
  DRBM-ClustNetと呼ばれるデータクラスタリングのためのベイジアンDeep Restricted Boltzmann-Kohonenアーキテクチャを提案する。 ラベルなしデータの処理は、非線形分離可能なデータセットの効率的なクラスタリングのために、3段階に分けて行われる。 このフレームワークはクラスタリングの精度に基づいて評価され、他の最先端クラスタリング手法と比較してランク付けされる。
  論文  参考訳（メタデータ） (2022-05-13T15:12:18Z)
• Visual Cluster Separation Using High-Dimensional Sharpened Dimensionality Reduction [65.80631307271705]
  高次元シャープ化DR(HD-SDR)は、合成データセットと実世界のデータセットの両方で試験される。 提案手法は,高品質(品質指標による測定)を達成し,大規模高次元データを用いて計算的に精度よくスケールする。 具体的な応用を説明するため,近年の天文カタログにHD-SDRを適用した。
  論文  参考訳（メタデータ） (2021-10-01T11:13:51Z)
• Spatial-Spectral Clustering with Anchor Graph for Hyperspectral Image [88.60285937702304]
  本稿では、HSIデータクラスタリングのための空間スペクトルクラスタリングとアンカーグラフ(SSCAG)という新しい非監視アプローチを提案する。 提案されたSSCAGは最先端のアプローチと競合する。
  論文  参考訳（メタデータ） (2021-04-24T08:09:27Z)
• Hyperspectral Classification Based on Lightweight 3-D-CNN With Transfer Learning [67.40866334083941]
  限定サンプルに基づくHSI分類のためのエンドツーエンドの3次元軽量畳み込みニューラルネットワーク(CNN)を提案する。 従来の3D-CNNモデルと比較して,提案した3D-LWNetはネットワーク構造が深く,パラメータが小さく,計算コストも低い。 本モデルでは,HSI分類の競合性能を,いくつかの最先端手法と比較した。
  論文  参考訳（メタデータ） (2020-12-07T03:44:35Z)
• Hyperspectral Image Clustering with Spatially-Regularized Ultrametrics [7.487718119544157]
  超距離の空間正規化スペクトルクラスタリングに基づくハイパースペクトル画像の教師なしクラスタリング法を提案する。 提案手法は,データ密度とジオメトリを効率的に組み合わせて,ラベルのトレーニングを必要とせず,データの材料クラスを識別する。
  論文  参考訳（メタデータ） (2020-04-10T14:27:41Z)

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。