論文の概要: Improved Sensor-Based Animal Behavior Classification Performance through
Conditional Generative Adversarial Network
- arxiv url: http://arxiv.org/abs/2209.03758v1
- Date: Tue, 6 Sep 2022 21:50:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-09 13:17:32.887683
- Title: Improved Sensor-Based Animal Behavior Classification Performance through
Conditional Generative Adversarial Network
- Title(参考訳): コンディショナル・ジェネレーション・ディバイザ・ネットワークによるセンサによる動物行動分類性能の向上
- Authors: Zhuqing Zhao, Dong Ha, Abhishek Damle, Barbara Roqueto Dos, Robin
White and Sook Ha
- Abstract要約: U-Net と Conditional Generative Adversarial Network (cGAN) を修正して,フラグメンテーションやその他の不一致を減らす。
cGANでトレーニングされたモデルは、牛、豚、UCI HAPTデータセットにおいて、より良い、または同等のパフォーマンスを示す。
cGANで訓練された改良型U-Netは、UCI HAPTデータセットでは92.17%から94.66%に改善され、豚のデータでは90.85%から93.18%に改善された。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Many activity classifications segments data into fixed window size for
feature extraction and classification. However, animal behaviors have various
durations that do not match the predetermined window size. The dense labeling
and dense prediction methods address this limitation by predicting labels for
every point. Thus, by tracing the starting and ending points, we could know the
time location and duration of all occurring activities. Still, the dense
prediction could be noisy with misalignments problems. We modified the U-Net
and Conditional Generative Adversarial Network (cGAN) with customized loss
functions as a training strategy to reduce fragmentation and other
misalignments. In cGAN, the discriminator and generator trained against each
other like an adversarial competition. The generator produces dense
predictions. The discriminator works as a high-level consistency check, in our
case, pushing the generator to predict activities with reasonable duration. The
model trained with cGAN shows better or comparable performance in the cow, pig,
and UCI HAPT dataset. The cGAN-trained modified U-Net improved from 92.17% to
94.66% for the UCI HAPT dataset and from 90.85% to 93.18% for pig data compared
to previous dense prediction work.
- Abstract(参考訳): 多くのアクティビティ分類は、特徴抽出と分類のためにデータを固定ウィンドウサイズに分割する。
しかし、動物の行動は、所定のウィンドウサイズと一致しない様々な持続時間を持つ。
高密度ラベリングと高密度予測法は、各点のラベルを予測することでこの制限に対処する。
したがって、開始点と終了点を追跡することで、発生したすべてのアクティビティの時間的位置と持続時間を知ることができる。
しかし、この密集した予測は不一致の問題で騒がしいかもしれない。
フラグメンテーションやその他の悪用を減らすためのトレーニング戦略として、カスタマイズされた損失関数を備えたU-Net and Conditional Generative Adversarial Network (cGAN) を修正した。
cGANでは、差別者と発電機は敵の競争のように互いに訓練された。
発電機は密集した予測を生成する。
判別器は高レベルの整合性チェックとして機能し、この場合、ジェネレータを合理的な持続時間で活動を予測する。
cGANでトレーニングされたモデルは、牛、豚、UCI HAPTデータセットにおいて、より良い、または同等のパフォーマンスを示す。
cganが訓練した修正u-netは、uci haptデータセットでは92.17%から94.66%に、pigデータでは90.85%から93.18%に改善した。
関連論文リスト
- Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。
本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。
本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
論文 参考訳(メタデータ) (2023-09-01T11:15:50Z) - AdaNPC: Exploring Non-Parametric Classifier for Test-Time Adaptation [64.9230895853942]
ドメインの一般化は、ターゲットのドメイン情報を活用することなく、任意に困難にすることができる。
この問題に対処するためにテスト時適応(TTA)手法が提案されている。
本研究では,テスト時間適応(AdaNPC)を行うためにNon-Parametricを採用する。
論文 参考訳(メタデータ) (2023-04-25T04:23:13Z) - Bridging Precision and Confidence: A Train-Time Loss for Calibrating
Object Detection [58.789823426981044]
本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。
その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
論文 参考訳(メタデータ) (2023-03-25T08:56:21Z) - DEGAN: Time Series Anomaly Detection using Generative Adversarial
Network Discriminators and Density Estimation [0.0]
我々は,GANに基づく異常検出フレームワークDEGANを提案する。
これは、適切に構成された識別器(D)をスタンドアロンの異常予測器に訓練するための入力として、通常の時系列データにのみ依存する。
論文 参考訳(メタデータ) (2022-10-05T04:32:12Z) - Multi-modal Sensor Data Fusion for In-situ Classification of Animal
Behavior Using Accelerometry and GNSS Data [16.47484520898938]
動物行動の分類には,複数のセンシングモード,すなわち加速度計とグローバルナビゲーション衛星システム(GNSS)のデータを用いて検討する。
スマート牛首輪と耳札を用いて収集した実世界の2つのデータセットを用いたマルチモーダル動物行動分類アルゴリズムを開発した。
論文 参考訳(メタデータ) (2022-06-24T04:54:03Z) - LogGENE: A smooth alternative to check loss for Deep Healthcare
Inference Tasks [0.0]
本研究では、遺伝子発現のようなデータセットにおけるディープニューラルネットワークに基づく推論手法を開発する。
本研究では,特定の住宅維持遺伝子群に対する完全条件量子化を予測するために,Quantile Regressionフレームワークを採用する。
本稿では,チェック損失のスムーズな代替としてログコッシュを提案する。
論文 参考訳(メタデータ) (2022-06-19T06:46:39Z) - Bioinspired random projections for robust, sparse classification [0.0]
生物センシングシステムにおけるランダム・プロジェクションの利用に着想を得て,分類問題におけるデータ処理のための新しいアルゴリズムを提案する。
これはヒトの脳とショウジョウバエの嗅覚系の観察に基づいており、小さなエントリを切り離すためにキャップ操作を適用する前に、データを非常に大きな次元の空間にランダムに投影する。
論文 参考訳(メタデータ) (2022-06-18T15:24:20Z) - Meta Learning Low Rank Covariance Factors for Energy-Based Deterministic
Uncertainty [58.144520501201995]
ニューラルネットワーク層のBi-Lipschitz正規化は、各レイヤの特徴空間におけるデータインスタンス間の相対距離を保存する。
注意セットエンコーダを用いて,タスク固有の共分散行列を効率的に構築するために,対角的,対角的,低ランクな要素のメタ学習を提案する。
また,最終的な予測分布を達成するために,スケールしたエネルギーを利用する推論手法を提案する。
論文 参考訳(メタデータ) (2021-10-12T22:04:19Z) - DAAIN: Detection of Anomalous and Adversarial Input using Normalizing
Flows [52.31831255787147]
我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。
本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。
当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
論文 参考訳(メタデータ) (2021-05-30T22:07:13Z) - Evaluating Prediction-Time Batch Normalization for Robustness under
Covariate Shift [81.74795324629712]
我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。
予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。
この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
論文 参考訳(メタデータ) (2020-06-19T05:08:43Z)
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。