論文の概要: Domain Adaptation Under Behavioral and Temporal Shifts for Natural Time Series Mobile Activity Recognition

• arxiv url: http://arxiv.org/abs/2207.04367v1
• Date: Sun, 10 Jul 2022 02:48:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-12 15:20:33.326515
• Title: Domain Adaptation Under Behavioral and Temporal Shifts for Natural Time Series Mobile Activity Recognition
• Title（参考訳）: 自然時系列移動行動認識のための行動・時間変化下の領域適応
• Authors: Garrett Wilson, Janardhan Rao Doppa, Diane J. Cook
• Abstract要約: 既存のデータセットは典型的にはスクリプト化された動きで構成されている。 我々の長期的な目標は、自然環境下でのモバイル活動認識を行うことです。 ヒトの行動に大きな変化があるため、2つの異なる年齢グループから多くの参加者からデータを収集します。
• 参考スコア（独自算出の注目度）: 31.43183992755392
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Increasingly, human behavior is captured on mobile devices, leading to an increased interest in automated human activity recognition. However, existing datasets typically consist of scripted movements. Our long-term goal is to perform mobile activity recognition in natural settings. We collect a dataset to support this goal with activity categories that are relevant for downstream tasks such as health monitoring and intervention. Because of the large variations present in human behavior, we collect data from many participants across two different age groups. Because human behavior can change over time, we also collect data from participants over a month's time to capture the temporal drift. We hypothesize that mobile activity recognition can benefit from unsupervised domain adaptation algorithms. To address this need and test this hypothesis, we analyze the performance of domain adaptation across people and across time. We then enhance unsupervised domain adaptation with contrastive learning and with weak supervision when label proportions are available. The dataset is available at https://github.com/WSU-CASAS/smartwatch-data
• Abstract（参考訳）: モバイル機器では人間の行動がますます捉えられ、自動化された人間の行動認識への関心が高まっている。 しかし、既存のデータセットは典型的にはスクリプト化された動きで構成されている。 当社の長期的な目標は、自然環境においてモバイルアクティビティ認識を行うことです。 私たちは、健康監視や介入といった下流タスクに関連するアクティビティカテゴリで、この目標をサポートするデータセットを収集します。 ヒトの行動に大きな変化があるため、2つの異なる年齢グループから多くの参加者からデータを収集します。 人間の行動は時間とともに変化する可能性があるため、参加者のデータを1ヶ月以上収集して時間的ドリフトを捉えます。 我々は、モバイルアクティビティ認識が教師なしドメイン適応アルゴリズムの恩恵を受けると仮定する。 このニーズに対処し、この仮説をテストするために、私たちは人々と時間にわたってドメイン適応のパフォーマンスを分析します。 そして、ラベル比率が利用可能な場合、対照学習による教師なしドメイン適応と弱い監督を強化する。 データセットはhttps://github.com/WSU-CASAS/smartwatch-dataで公開されている。

関連論文リスト

• Reconstructing human activities via coupling mobile phone data with location-based social networks [20.303827107229445]
  本稿では,携帯電話データと位置情報ソーシャルネットワーク(LBSN)データを結合することで,ユーザの行動を特定するためのデータ分析フレームワークを提案する。 我々は,10万人の携帯電話利用者の行動連鎖を再構築し,各活動タイプの時間的・空間的特徴を分析した。
  論文  参考訳（メタデータ） (2023-06-06T06:37:14Z)
• 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)
• Video-based Pose-Estimation Data as Source for Transfer Learning in Human Activity Recognition [71.91734471596433]
  オンボディデバイスを用いたヒューマンアクティビティ認識(HAR)は、制約のない環境での特定の人間の行動を特定する。 これまでの研究は、トランスファーラーニングが、少ないデータでシナリオに対処するための良い戦略であることを実証した。 本稿では,人為的位置推定を目的としたデータセットを伝達学習の情報源として用いることを提案する。
  論文  参考訳（メタデータ） (2022-12-02T18:19:36Z)
• Activity-aware Human Mobility Prediction with Hierarchical Graph Attention Recurrent Network [6.09493819953104]
  本稿では,HGARN(Hierarchical Graph Attention Recurrent Network)を用いて人体移動予測を行う。 具体的には、過去の移動記録に基づいて階層グラフを構築し、複雑な時間-活動-位置の依存関係をキャプチャするために階層グラフ注意モジュールを使用する。 モデル評価において,HGARNの既存手法に対して,既存手法(例えば,以前に訪れた場所に戻る)と爆発的手法(すなわち,新しい場所を訪れる)の両方で,HGARNの性能を検証した。
  論文  参考訳（メタデータ） (2022-10-14T12:56:01Z)
• Video Action Detection: Analysing Limitations and Challenges [70.01260415234127]
  ビデオ行動検出における既存のデータセットを分析し,その限界について議論する。 静的画像から映像を区別する重要な特性である時間的側面を解析するバイアスネススタディを実行する。 このような極端な実験は、注意深いモデリングを必要とする既存の手法に忍び込んだバイアスの存在を示している。
  論文  参考訳（メタデータ） (2022-04-17T00:42:14Z)
• 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)
• Multi-level Motion Attention for Human Motion Prediction [132.29963836262394]
  本研究は, 関節, 身体部分, フルポーズレベルなど, 異なる種類の注意力の使用について検討した。 我々は,Human3.6M,AMASS,3DPWを用いて,周期的および非周期的両方の行動に対するアプローチの利点を検証した。
  論文  参考訳（メタデータ） (2021-06-17T08:08:11Z)
• 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)
• Self-Supervised Transformers for Activity Classification using Ambient Sensors [3.1829446824051195]
  本稿では,環境センサを用いた環境下での居住者の活動の分類手法を提案する。 また,自己教師付き方式でトランスフォーマーを事前訓練する手法を,ハイブリッドオートエンコーダ分類モデルとして提案する。
  論文  参考訳（メタデータ） (2020-11-22T20:46:25Z)
• An Intelligent Non-Invasive Real Time Human Activity Recognition System for Next-Generation Healthcare [9.793913891417912]
  人間の動きは、脆弱な人々のためのリモートヘルスケアソリューションを提供するために使用することができる。 現在、ウェアラブルデバイスは、人の体に機器を配置することで、リアルタイムの監視を提供することができる。 本研究では,非侵襲的手法を用いて準リアルタイムシナリオにおいて人間の動作がどのように検出されるかを示す。
  論文  参考訳（メタデータ） (2020-08-06T10:51:56Z)

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。