論文の概要: CHARM: A Hierarchical Deep Learning Model for Classification of Complex
Human Activities Using Motion Sensors
- arxiv url: http://arxiv.org/abs/2207.07806v1
- Date: Sat, 16 Jul 2022 01:36:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-19 18:37:21.629207
- Title: CHARM: A Hierarchical Deep Learning Model for Classification of Complex
Human Activities Using Motion Sensors
- Title（参考訳）: CHARM:モーションセンサを用いた複雑な人間の活動の分類のための階層的深層学習モデル
- Authors: Eric Rosen and Doruk Senkal
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.9594432031144714
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we report a hierarchical deep learning model for
classification of complex human activities using motion sensors. In contrast to
traditional Human Activity Recognition (HAR) models used for event-based
activity recognition, such as step counting, fall detection, and gesture
identification, this new deep learning model, which we refer to as CHARM
(Complex Human Activity Recognition Model), is aimed for recognition of
high-level human activities that are composed of multiple different low-level
activities in a non-deterministic sequence, such as meal preparation, house
chores, and daily routines. CHARM not only quantitatively outperforms
state-of-the-art supervised learning approaches for high-level activity
recognition in terms of average accuracy and F1 scores, but also automatically
learns to recognize low-level activities, such as manipulation gestures and
locomotion modes, without any explicit labels for such activities. This opens
new avenues for Human-Machine Interaction (HMI) modalities using wearable
sensors, where the user can choose to associate an automated task with a
high-level activity, such as controlling home automation (e.g., robotic vacuum
cleaners, lights, and thermostats) or presenting contextually relevant
information at the right time (e.g., reminders, status updates, and
weather/news reports). In addition, the ability to learn low-level user
activities when trained using only high-level activity labels may pave the way
to semi-supervised learning of HAR tasks that are inherently difficult to
label.
- Abstract（参考訳）: 本稿では,モーションセンサを用いた複雑な人間の活動の分類のための階層的深層学習モデルについて報告する。
ステップカウント,転倒検出,ジェスチャー識別などのイベントベース行動認識に使用される従来のHARモデルとは対照的に,CHARM(Complex Human Activity Recognition Model)と呼ばれるこの新たな深層学習モデルは,食事準備,家事,日常生活などの非決定論的シーケンスにおいて,複数の異なる低レベル活動からなる高レベル人間活動の認識を目的としている。
CHARMは、平均精度とF1スコアの観点から、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を定量的に上回るだけでなく、操作ジェスチャーや移動モードなどの低レベルのアクティビティを、そのようなアクティビティの明確なラベルなしで自動的に認識する。
これにより、ホームオートメーション(例えば、ロボット掃除機、照明、サーモスタット)の制御や、コンテキストに関連のある情報を適切なタイミング(例えば、リマインダー、ステータス更新、天気/ニュースレポート)で提示するといった、自動化タスクと高レベルなアクティビティを関連付けることができる。
さらに、ハイレベルなアクティビティラベルのみを用いてトレーニングされた場合、低レベルのユーザアクティビティを学習する能力は、ラベル付けが本質的に困難であるHARタスクの半教師付き学習の道を開く可能性がある。
関連論文リスト
- Consistency Based Weakly Self-Supervised Learning for Human Activity Recognition with Wearables [1.565361244756411]
センサデータから人間の活動を認識するための弱自己教師型アプローチについて述べる。
提案手法は, クラスタリングアルゴリズムが, 基礎となる人間の行動を特定し, 分類する上で, 同等のパフォーマンスを達成するのに有効であることを示す。
論文 参考訳（メタデータ） (2024-07-29T06:29:21Z) - Efficient Adaptive Human-Object Interaction Detection with
Concept-guided Memory [64.11870454160614]
概念誘導メモリ(ADA-CM)を用いた適応型HOI検出器を提案する。
ADA-CMには2つの操作モードがある。最初のモードでは、トレーニング不要のパラダイムで新しいパラメータを学習することなくチューニングできる。
提案手法は, HICO-DET と V-COCO のデータセットに対して, より少ないトレーニング時間で, 最新技術による競合的な結果を得る。
論文 参考訳（メタデータ） (2023-09-07T13:10:06Z) - Robust Activity Recognition for Adaptive Worker-Robot Interaction using
Transfer Learning [0.0]
本稿では,建設労働者の行動認識のための伝達学習手法を提案する。
開発したアルゴリズムは、オリジナルの著者によって事前訓練されたモデルから特徴を伝達し、それらを下流のアクティビティ認識タスクのために微調整する。
その結果, 微調整モデルでは, 異なるMMHタスクを頑健かつ適応的に認識できることが示唆された。
論文 参考訳（メタデータ） (2023-08-28T19:03:46Z) - 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) - Classifying Human Activities using Machine Learning and Deep Learning
Techniques [0.0]
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。
論文 参考訳（メタデータ） (2022-05-19T05:20:04Z) - 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) - HAKE: A Knowledge Engine Foundation for Human Activity Understanding [65.24064718649046]
人間の活動理解は人工知能に広く興味を持ち、医療や行動分析といった多様な応用にまたがっている。
本稿では,この課題を2段階にまとめた新しいパラダイムを提案する。まず,原子活動プリミティブを対象とする中間空間に画素をマッピングし,解釈可能な論理規則で検出されたプリミティブをプログラムして意味論を推論する。
我々のフレームワークであるHAKE(Human Activity Knowledge Engine)は、挑戦的なベンチマークよりも優れた一般化能力と性能を示す。
論文 参考訳（メタデータ） (2022-02-14T16:38:31Z) - Self-supervised Pretraining with Classification Labels for Temporal
Activity Detection [54.366236719520565]
時間的アクティビティ検出は、1フレーム当たりのアクティビティクラスを予測することを目的としている。
検出に必要なフレームレベルのアノテーションが高価なため、検出データセットの規模は限られている。
本研究では,分類ラベルを利用した自己教師付き事前学習手法を提案する。
論文 参考訳（メタデータ） (2021-11-26T18:59:28Z) - 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) - Contrastive Predictive Coding for Human Activity Recognition [5.766384728949437]
本研究では,センサデータストリームの長期的時間構造をキャプチャする人間行動認識にContrastive Predictive Codingフレームワークを導入する。
CPCベースの事前学習は自己管理され、その結果得られた表現は標準のアクティビティチェーンに統合できる。
少量のラベル付きトレーニングデータしか利用できない場合、認識性能が大幅に向上します。
論文 参考訳（メタデータ） (2020-12-09T21:44:36Z) - 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。