論文の概要: "Is not the truth the truth?": Analyzing the Impact of User Validations
for Bus In/Out Detection in Smartphone-based Surveys
- arxiv url: http://arxiv.org/abs/2202.11961v1
- Date: Thu, 24 Feb 2022 08:48:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-26 01:57:14.113015
- Title: "Is not the truth the truth?": Analyzing the Impact of User Validations
for Bus In/Out Detection in Smartphone-based Surveys
- Title（参考訳）: 「真実ではないのか?」:スマートフォン調査によるバスの入出検知におけるユーザ検証の影響の分析
- Authors: Valentino Servizi., Dan R. Persson, Francisco C. Pereira, Hannah
Villadsen, Per B{\ae}kgaard, Inon Peled, Otto A. Nielsen
- Abstract要約: 本稿では,半制御環境におけるヒューマン・コンピュータインタラクションの実験環境について述べる。
2つのルートで走行する2台の自動運転車で、3つのバス停と18人のユーザー、および独自のスマートフォンとBluetoothセンサープラットフォームを提供する。
我々は,スマートフォン調査で知られているように,ラベル付け過程におけるヒューマンエラーをエミュレートするために,ラベルフリップのモンテカルロシミュレーションを行った。
- 参考スコア（独自算出の注目度）: 5.449283796175882
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Passenger flow allows the study of users' behavior through the public network
and assists in designing new facilities and services. This flow is observed
through interactions between passengers and infrastructure. For this task,
Bluetooth technology and smartphones represent the ideal solution. The latter
component allows users' identification, authentication, and billing, while the
former allows short-range implicit interactions, device-to-device. To assess
the potential of such a use case, we need to verify how robust Bluetooth signal
and related machine learning (ML) classifiers are against the noise of
realistic contexts. Therefore, we model binary passenger states with respect to
a public vehicle, where one can either be-in or be-out (BIBO). The BIBO label
identifies a fundamental building block of continuously-valued passenger flow.
This paper describes the Human-Computer interaction experimental setting in a
semi-controlled environment, which involves: two autonomous vehicles operating
on two routes, serving three bus stops and eighteen users, as well as a
proprietary smartphone-Bluetooth sensing platform. The resulting dataset
includes multiple sensors' measurements of the same event and two ground-truth
levels, the first being validation by participants, the second by three
video-cameras surveilling buses and track. We performed a Monte-Carlo
simulation of labels-flip to emulate human errors in the labeling process, as
is known to happen in smartphone surveys; next we used such flipped labels for
supervised training of ML classifiers. The impact of errors on model
performance bias can be large. Results show ML tolerance to label flips caused
by human or machine errors up to 30%.
- Abstract（参考訳）: 乗客の流れは、公共ネットワークを通してユーザーの行動の研究を可能にし、新しい施設やサービスの設計を支援する。
この流れは乗客とインフラの相互作用を通して観察される。
このタスクでは、bluetooth技術とスマートフォンが理想的なソリューションです。
後者のコンポーネントはユーザの識別、認証、請求を可能にし、一方前者はデバイス対デバイスという短い範囲の暗黙のインタラクションを許可する。
このようなユースケースの可能性を評価するためには、bluetooth signal and related machine learning (ml)分類器がリアルなコンテキストのノイズに対していかに堅牢であるかを検証する必要がある。
したがって、公共交通機関(BIBO)に対して二元式旅客状態をモデル化する。
biboラベルは、連続価値の乗客フローの基本構成要素を識別する。
本稿では,2つの経路を走行する2台の自律走行車,3つの停留所,18人のユーザ,および独自のスマートフォン・bluetoothセンシングプラットフォームを含む,半制御環境におけるヒューマン・コンピュータインタラクション実験的な設定について述べる。
得られたデータセットには、同じ事象を複数のセンサーが測定し、2つの地平線レベルが含まれており、1つは参加者による検証、2つ目は3台のビデオカメラによる監視バスとトラックである。
スマートフォン調査で知られているようなラベル付け過程におけるヒューマンエラーをエミュレートするためのラベルフリップのモンテカルロシミュレーションを行い、次に、このようなフリップラベルをML分類器の教師あり訓練に使用した。
モデルの性能バイアスに対するエラーの影響は大きい。
その結果、人間またはマシンエラーによるラベルフリップに対するML耐性が最大30%まで向上した。
関連論文リスト
- Learning 3D Perception from Others' Predictions [64.09115694891679]
本研究では,3次元物体検出装置を構築するための新たなシナリオについて検討する。
例えば、自動運転車が新しいエリアに入ると、その領域に最適化された検出器を持つ他の交通参加者から学ぶことができる。
論文 参考訳（メタデータ） (2024-10-03T16:31:28Z) - One-shot lip-based biometric authentication: extending behavioral
features with authentication phrase information [3.038642416291856]
リップベースバイオメトリック認証(LBBA)は、カメラセンサが捉えたビデオデータの形態で、音声中の人の唇の動きに基づく認証方法である。
LBBAは、RGBカメラ以外の追加の感覚機器を必要とすることなく、唇の動きの物理的特性と行動的特性を両立させることができる。
論文 参考訳（メタデータ） (2023-08-14T05:34:36Z) - Unsupervised Adaptation from Repeated Traversals for Autonomous Driving [54.59577283226982]
自動運転車はエンドユーザー環境に一般化し、確実に動作させなければならない。
潜在的な解決策の1つは、エンドユーザの環境から収集されたラベルのないデータを活用することである。
適応過程を監督する信頼性のある信号はターゲット領域に存在しない。
この単純な仮定は、ターゲット領域上の3次元物体検出器の反復的自己学習を可能にする強力な信号を得るのに十分であることを示す。
論文 参考訳（メタデータ） (2023-03-27T15:07:55Z) - IJCB 2022 Mobile Behavioral Biometrics Competition (MobileB2C) [14.585321226098321]
MobileB2Cの目的は、モバイルデバイスが透過的に取得した行動的生体認証特性に基づいて、モバイルユーザ認証システムのベンチマークを行うことである。
データは、タッチスクリーンデータと、同時に取得された背景センサーデータとから構成される。
参加者が行った結果は,行動バイオメトリックスによるユーザ認証の実現可能性を示しているが,これは非自明な課題であることが証明されている。
論文 参考訳（メタデータ） (2022-10-06T17:27:05Z) - Mobile Behavioral Biometrics for Passive Authentication [65.94403066225384]
本研究は, 単モーダルおよび多モーダルな行動的生体特性の比較分析を行った。
HuMIdbは、最大かつ最も包括的なモバイルユーザインタラクションデータベースである。
我々の実験では、最も識別可能な背景センサーは磁力計であり、タッチタスクではキーストロークで最良の結果が得られる。
論文 参考訳（メタデータ） (2022-03-14T17:05:59Z) - Large Scale Passenger Detection with Smartphone/Bus Implicit Interaction
and Multisensory Unsupervised Cause-effect Learning [5.449283796175882]
我々は、暗黙的なBe-in/Be-out(BIBO)という概念に焦点をあてる。
BLE擬似ラベルに対するGPS特徴に基づくモデルのトレーニングを可能にするために,CEMWA(So caused-Effect Multitask Wasserstein Autoencoder)を提案する。
論文 参考訳（メタデータ） (2022-02-24T08:50:32Z) - Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D
Object Detection [85.11649974840758]
3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。
そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
論文 参考訳（メタデータ） (2021-11-30T18:42:42Z) - Interaction Detection Between Vehicles and Vulnerable Road Users: A Deep
Generative Approach with Attention [9.442285577226606]
交差点における相互作用検出のための条件生成モデルを提案する。
道路利用者の行動の連続性に関する膨大な映像データを自動解析することを目的としています。
モデルの有効性は実世界のデータセットでテストすることによって検証された。
論文 参考訳（メタデータ） (2021-05-09T10:03:55Z) - Federated Learning-based Active Authentication on Mobile Devices [98.23904302910022]
モバイルデバイス上のユーザアクティブ認証は、デバイスセンサ情報に基づいて登録ユーザを正しく認識できるモデルを学ぶことを目的としている。
Federated Active Authentication (FAA) と呼ばれる新しいユーザーアクティブ認証トレーニングを提案します。
既存のFL/SL法は,同質に分散するデータに依存するため,FAAにとって最適ではないことを示す。
論文 参考訳（メタデータ） (2021-04-14T22:59:08Z) - EHSOD: CAM-Guided End-to-end Hybrid-Supervised Object Detection with
Cascade Refinement [53.69674636044927]
本稿では,エンド・ツー・エンドのハイブリッド型オブジェクト検出システムであるEHSODについて述べる。
完全なアノテートと弱いアノテートの両方で、ワンショットでトレーニングすることができる。
完全なアノテートされたデータの30%しか持たない複数のオブジェクト検出ベンチマークで、同等の結果が得られる。
論文 参考訳（メタデータ） (2020-02-18T08:04:58Z)
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。