論文の概要: UMSNet: An Universal Multi-sensor Network for Human Activity Recognition
- arxiv url: http://arxiv.org/abs/2205.11756v1
- Date: Tue, 24 May 2022 03:29:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-25 12:31:17.946243
- Title: UMSNet: An Universal Multi-sensor Network for Human Activity Recognition
- Title（参考訳）: UMSNet:人間の活動認識のためのユニバーサルマルチセンサーネットワーク
- Authors: Jialiang Wang, Haotian Wei, Yi Wang, Shu Yang, Chi Li
- Abstract要約: 本稿では,人間行動認識のためのユニバーサルマルチセンサネットワーク(UMSNet)を提案する。
特に,新しい軽量センサ残差ブロック(LSRブロック)を提案する。
我々のフレームワークは明確な構造を持ち、様々な種類のマルチモーダル時系列分類タスクに直接適用することができる。
- 参考スコア（独自算出の注目度）: 10.952666953066542
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Human activity recognition (HAR) based on multimodal sensors has become a
rapidly growing branch of biometric recognition and artificial intelligence.
However, how to fully mine multimodal time series data and effectively learn
accurate behavioral features has always been a hot topic in this field.
Practical applications also require a well-generalized framework that can
quickly process a variety of raw sensor data and learn better feature
representations. This paper proposes a universal multi-sensor network (UMSNet)
for human activity recognition. In particular, we propose a new lightweight
sensor residual block (called LSR block), which improves the performance by
reducing the number of activation function and normalization layers, and adding
inverted bottleneck structure and grouping convolution. Then, the Transformer
is used to extract the relationship of series features to realize the
classification and recognition of human activities. Our framework has a clear
structure and can be directly applied to various types of multi-modal Time
Series Classification (TSC) tasks after simple specialization. Extensive
experiments show that the proposed UMSNet outperforms other state-of-the-art
methods on two popular multi-sensor human activity recognition datasets (i.e.
HHAR dataset and MHEALTH dataset).
- Abstract（参考訳）: マルチモーダルセンサに基づくヒューマンアクティビティ認識(HAR)は、バイオメトリック認識と人工知能の分野として急速に成長している。
しかし、マルチモーダル時系列データを完全にマイニングし、正確な行動特徴を効果的に学習する方法は、この分野において常にホットな話題である。
また、さまざまな生センサデータを迅速に処理し、より優れた特徴表現を学習できる、十分に一般化されたフレームワークも必要である。
本稿では,人間行動認識のためのユニバーサルマルチセンサネットワーク(UMSNet)を提案する。
特に,アクティベーション関数と正規化レイヤの数を減らし,逆ボトルネック構造とグルーピング畳み込みを追加することで,性能を向上させる新しい軽量センサ残差ブロック(lsrブロック)を提案する。
次に、変圧器を用いて時系列特徴の関係を抽出し、人間の活動の分類と認識を実現する。
我々のフレームワークは明確な構造を持ち、単純な特殊化後、様々な種類のマルチモーダル時系列分類(TSC)タスクに直接適用することができる。
広範な実験により、umsnetは2つの一般的なマルチセンサーヒューマンアクティビティ認識データセット(hharデータセットとmhealthデータセット)において、他の最先端手法よりも優れていることが示された。
関連論文リスト
- Scaling Wearable Foundation Models [54.93979158708164]
センサ基礎モデルのスケーリング特性を計算,データ,モデルサイズにわたって検討する。
最大4000万時間分の心拍数、心拍変動、心電図活動、加速度計、皮膚温度、および1分間のデータを用いて、私たちはLSMを作成します。
この結果から,LSMのスケーリング法則は,時間とセンサの両面において,計算や外挿などのタスクに対して確立されている。
論文 参考訳（メタデータ） (2024-10-17T15:08:21Z) - Feature Decoupling-Recycling Network for Fast Interactive Segmentation [79.22497777645806]
近年のインタラクティブセグメンテーション手法では,入力としてソースイメージ,ユーザガイダンス,従来予測されていたマスクを反復的に取り込んでいる。
本稿では,本質的な相違点に基づいてモデリングコンポーネントを分離するFDRN(Feature Decoupling-Recycling Network)を提案する。
論文 参考訳（メタデータ） (2023-08-07T12:26:34Z) - 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) - Attention-Based Sensor Fusion for Human Activity Recognition Using IMU
Signals [4.558966602878624]
本稿では,異なる身体部位に装着した複数のIMUセンサを用いた人体行動認識のための新しいアテンションベースアプローチを提案する。
異なる身体位置におけるセンサの重要性を学習し、注意に基づく融合機構を開発し、注意的特徴表現を生成する。
提案手法は,5つの公開データセットを用いて評価し,多種多様な活動カテゴリにおける最先端の手法より優れている。
論文 参考訳（メタデータ） (2021-12-20T17:00:27Z) - Human Activity Recognition using Attribute-Based Neural Networks and
Context Information [61.67246055629366]
手作業におけるウェアラブルセンサデータから人間の活動認識(HAR)を考察する。
我々は、コンテキスト情報をディープニューラルネットワークベースのHARシステムに体系的に組み込む方法を示す。
提案したアーキテクチャは,最先端手法と比較してHAR性能が向上することを示す。
論文 参考訳（メタデータ） (2021-10-28T06:08:25Z) - A Novel Multi-Stage Training Approach for Human Activity Recognition
from Multimodal Wearable Sensor Data Using Deep Neural Network [11.946078871080836]
ディープニューラルネットワークは、さまざまなウェアラブルセンサーのデータを利用して人間の行動を自動的に認識する効果的な選択である。
本論文では,この特徴抽出プロセスにおける多様性を高める,新たなマルチステージトレーニング手法を提案する。
論文 参考訳（メタデータ） (2021-01-03T20:48:56Z) - A Tree-structure Convolutional Neural Network for Temporal Features
Exaction on Sensor-based Multi-resident Activity Recognition [4.619245607612873]
マルチレジデント活動認識(TSC-MRAR)のためのエンドツーエンド木構造畳み込みニューラルネットワークフレームワークを提案する。
まず、各サンプルをイベントとして扱い、スライディングウインドウに過去のセンサの読み取りを埋め込んだ現在のイベントを得る。
そして、時間的特徴を自動的に生成するために、木構造ネットワークを設計し、近くの読み物の時間的依存を導出する。
論文 参考訳（メタデータ） (2020-11-05T14:31:00Z) - Semantics-aware Adaptive Knowledge Distillation for Sensor-to-Vision
Action Recognition [131.6328804788164]
本稿では,視覚・センサ・モダリティ(動画)における行動認識を強化するためのフレームワーク,Semantics-Aware Adaptive Knowledge Distillation Networks (SAKDN)を提案する。
SAKDNは複数のウェアラブルセンサーを教師のモダリティとして使用し、RGB動画を学生のモダリティとして使用している。
論文 参考訳（メタデータ） (2020-09-01T03:38:31Z) - Searching Multi-Rate and Multi-Modal Temporal Enhanced Networks for
Gesture Recognition [89.0152015268929]
RGB-Dジェスチャ認識のための最初のニューラルアーキテクチャサーチ(NAS)手法を提案する。
提案手法は,1)3次元中央差分畳畳み込み(3D-CDC)ファミリーによる時間的表現の強化,および多モードレート分岐と横方向接続のための最適化されたバックボーンを含む。
結果として得られたマルチレートネットワークは、RGBと深さ変調と時間力学の関係を理解するための新しい視点を提供する。
論文 参考訳（メタデータ） (2020-08-21T10:45:09Z) - Deep ConvLSTM with self-attention for human activity decoding using
wearables [0.0]
本稿では,複数のセンサ時系列データの特徴を捉えつつ,重要な時間点を選択するディープニューラルネットワークアーキテクチャを提案する。
提案手法の有効性を,異なるデータサンプリング戦略にまたがって示すとともに,自己認識機構が大幅に改善したことを示す。
提案手法は、複数の身体センサからの人間の活動のより優れた復号化を、長期間にわたって行うことができる。
論文 参考訳（メタデータ） (2020-05-02T04:30:31Z) - 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)
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。