論文の概要: Classifying Human Activities using Machine Learning and Deep Learning Techniques

• arxiv url: http://arxiv.org/abs/2205.10325v1
• Date: Thu, 19 May 2022 05:20:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-06 05:21:49.772708
• Title: Classifying Human Activities using Machine Learning and Deep Learning Techniques
• Title（参考訳）: 機械学習とディープラーニング技術を用いたヒューマンアクティビティの分類
• Authors: Sanku Satya Uday, Satti Thanuja Pavani, T.Jaya Lakshmi, Rohit Chivukula
• Abstract要約: HAR(Human Activity Recognition)は、人間の行動を認識する機械。 HARの課題は、与えられたデータに基づいて人間の活動を分離することの難しさを克服することである。 Long Short-Term Memory(LSTM)、Bi-Directional LS分類器、Recurrent Neural Network(RNN)、Gated Recurrent Unit(GRU)といったディープラーニング技術がトレーニングされている。 実験の結果、機械学習における線形サポートベクトルとディープラーニングにおけるGated Recurrent Unitが、人間の活動認識により良い精度を提供することがわかった。
• 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 Recognition (HAR) describes the machines ability to recognize human actions. Nowadays, most people on earth are health conscious, so people are more interested in tracking their daily activities using Smartphones or Smart Watches, which can help them manage their daily routines in a healthy way. With this objective, Kaggle has conducted a competition to classify 6 different human activities distinctly based on the inertial signals obtained from 30 volunteers smartphones. The main challenge in HAR is to overcome the difficulties of separating human activities based on the given data such that no two activities overlap. In this experimentation, first, Data visualization is done on expert generated features with the help of t distributed Stochastic Neighborhood Embedding followed by applying various Machine Learning techniques like Logistic Regression, Linear SVC, Kernel SVM, Decision trees to better classify the 6 distinct human activities. Moreover, Deep Learning techniques like Long Short-Term Memory (LSTM), Bi-Directional LSTM, Recurrent Neural Network (RNN), and Gated Recurrent Unit (GRU) are trained using raw time series data. Finally, metrics like Accuracy, Confusion matrix, precision and recall are used to evaluate the performance of the Machine Learning and Deep Learning models. Experiment results proved that the Linear Support Vector Classifier in machine learning and Gated Recurrent Unit in Deep Learning provided better accuracy for human activity recognition compared to other classifiers.
• Abstract（参考訳）: human activity recognition (har) は、人間の行動を認識する機械の能力を記述する。 現在、地球上のほとんどの人は健康を意識しているため、人々はスマートフォンやスマートウォッチを使って日々の活動を追跡することに興味がある。 この目的により、Kaggleは30人のボランティアスマートフォンから得られた慣性信号に基づいて、6つの異なる人間の活動を明確に分類する競争を行った。 harの主な課題は、与えられたデータに基づいて人間の活動を切り離すことの難しさを克服し、2つの活動が重複しないようにすることだ。 この実験では、まず、データビジュアライゼーションは、t分散Stochastic Neighborhood Embeddingの助けを借りて、専門家が作成した機能に基づいて行われ、続いて、ロジスティック回帰、線形SVC、カーネルSVM、決定木といったさまざまな機械学習技術を適用して、6つの異なる人間のアクティビティをよりよく分類する。 さらに、Long Short-Term Memory (LSTM)、Bi-Directional LSTM、Recurrent Neural Network (RNN)、Gated Recurrent Unit (GRU)といったディープラーニング技術を生時系列データを用いて訓練する。 最後に、機械学習およびディープラーニングモデルのパフォーマンスを評価するために、精度、混乱マトリックス、精度、リコールなどのメトリクスが使用される。 実験の結果,機械学習における線形支援ベクトル分類器とディープラーニングにおけるGated Recurrent Unitは,他の分類器と比較して,人間の活動認識の精度が高かった。

関連論文リスト

• Reinforcement Learning with Action Sequence for Data-Efficient Robot Learning [62.3886343725955]
  本稿では,行動列上のQ値を出力する批判ネットワークを学習する新しいRLアルゴリズムを提案する。 提案アルゴリズムは,現在および将来の一連の行動の実行結果を学習するために値関数を明示的に訓練することにより,ノイズのある軌道から有用な値関数を学習することができる。
  論文  参考訳（メタデータ） (2024-11-19T01:23:52Z)
• Offline Imitation Learning Through Graph Search and Retrieval [57.57306578140857]
  模倣学習は、ロボットが操作スキルを取得するための強力な機械学習アルゴリズムである。 本稿では,グラフ検索と検索により,最適下実験から学習する,シンプルで効果的なアルゴリズムGSRを提案する。 GSRは、ベースラインに比べて10%から30%高い成功率、30%以上の熟練を達成できる。
  論文  参考訳（メタデータ） (2024-07-22T06:12:21Z)
• A Matter of Annotation: An Empirical Study on In Situ and Self-Recall Activity Annotations from Wearable Sensors [56.554277096170246]
  In-the-wildデータ収集に焦点をあてたユーザスタディにおいて,一般的な4つのアノテーション手法の評価と対比を行う実験的検討を行った。 実際の記録プロセス中に参加者がアノテートするユーザ主導のin situアノテーションと、各日の終わりに参加者が振り返ってアノテートするリコールメソッドの両方に対して、参加者は自身のアクティビティクラスと対応するラベルを選択できる柔軟性を持っていた。
  論文  参考訳（メタデータ） (2023-05-15T16:02:56Z)
• Towards Continual Egocentric Activity Recognition: A Multi-modal Egocentric Activity Dataset for Continual Learning [21.68009790164824]
  UESTC-MMEA-CLという連続学習のためのマルチモーダル・エゴセントリックな活動データセットを提案する。 ビデオ、加速度計、ジャイロスコープの同期データを含み、32種類の日常活動が10人の参加者によって行われる。 RGB, 加速度, ジャイロスコープの3つのモードを別々に使用した場合に, エゴセントリックな活動認識の結果が報告される。
  論文  参考訳（メタデータ） (2023-01-26T04:32:00Z)
• 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)
• CHARM: A Hierarchical Deep Learning Model for Classification of Complex Human Activities Using Motion Sensors [0.9594432031144714]
  CHARMは、モーションセンサーを用いた複雑な人間の活動の分類のための階層的なディープラーニングモデルである。 これは、平均精度とF1スコアの点で、最先端のアクティビティ認識のための最先端の教師付き学習アプローチよりも優れています。 ハイレベルなアクティビティラベルのみを使用してトレーニングされた場合、低レベルなユーザアクティビティを学習する能力は、HARタスクの半教師付き学習の道を開く可能性がある。
  論文  参考訳（メタデータ） (2022-07-16T01:36:54Z)
• 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)
• Incremental Learning Techniques for Online Human Activity Recognition [0.0]
  身体運動のオンライン予測のためのヒューマンアクティビティ認識(HAR)手法を提案する。 我々は,監視ソフトウェアを含むHARシステムと加速度計とジャイロスコープデータを収集するモバイルアプリケーションを開発する。 この研究で6つの漸進的学習アルゴリズムが採用され、オフラインのHARシステムの開発によく使用されるバッチ学習アルゴリズムと比較される。
  論文  参考訳（メタデータ） (2021-09-20T11:33:09Z)
• What Matters in Learning from Offline Human Demonstrations for Robot Manipulation [64.43440450794495]
  ロボット操作のための6つのオフライン学習アルゴリズムについて広範な研究を行う。 我々の研究は、オフラインの人間のデータから学習する際の最も重要な課題を分析します。 人間のデータセットから学ぶ機会を強調します。
  論文  参考訳（メタデータ） (2021-08-06T20:48:30Z)
• Human Activity Recognition Using Multichannel Convolutional Neural Network [0.0]
  人間の活動認識(HAR)は、単に人間の行動を知覚する機械の能力を指します。 本論文では,実用的行動から収集したデータに基づいて,人間の行動を区別できる教師付き学習法について述べる。 このモデルはUCI HARデータセットでテストされ、95.25%の分類精度が得られた。
  論文  参考訳（メタデータ） (2021-01-17T16:48:17Z)
• 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)

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。