論文の概要: Learning from the Best: Contrastive Representations Learning Across
Sensor Locations for Wearable Activity Recognition
- arxiv url: http://arxiv.org/abs/2210.01459v1
- Date: Tue, 4 Oct 2022 08:33:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-05 15:35:23.401344
- Title: Learning from the Best: Contrastive Representations Learning Across
Sensor Locations for Wearable Activity Recognition
- Title(参考訳): ベストから学ぶ:ウェアラブル・アクティビティ認識のためのセンサ・ロケーション間のコントラスト表現学習
- Authors: Vitor Fortes Rey, Sungho Suh and Paul Lukowicz
- Abstract要約: 本稿では,トレーニングプロセス中にのみ存在し,後続のシステムでは利用できないセンサからの情報の利用を容易にする手法を提案する。
この方法は、ソースセンサからの情報を、コントラストロスを介して、ターゲットセンサデータの潜在表現に転送する。
本手法は, 平均F1スコアを5%から13%の精度で評価し, PAMAP2およびOpportunityベンチマークを用いて, 平均F1スコアを5%から13%の精度で評価した。
- 参考スコア(独自算出の注目度): 6.458496335718508
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We address the well-known wearable activity recognition problem of having to
work with sensors that are non-optimal in terms of information they provide but
have to be used due to wearability/usability concerns (e.g. the need to work
with wrist-worn IMUs because they are embedded in most smart watches). To
mitigate this problem we propose a method that facilitates the use of
information from sensors that are only present during the training process and
are unavailable during the later use of the system. The method transfers
information from the source sensors to the latent representation of the target
sensor data through contrastive loss that is combined with the classification
loss during joint training. We evaluate the method on the well-known PAMAP2 and
Opportunity benchmarks for different combinations of source and target sensors
showing average (over all activities) F1 score improvements of between 5% and
13% with the improvement on individual activities, particularly well suited to
benefit from the additional information going up to between 20% and 40%.
- Abstract(参考訳): 我々は、情報提供の観点からは最適ではないが、着用性と使用性に関する懸念(例えば、ほとんどのスマートウォッチに埋め込まれているため、手首を縫い付けたIMUで作業する必要がある)のために使用する必要があるという、よく知られたウェアラブルアクティビティ認識の問題に対処する。
この問題を軽減するために,トレーニングプロセス中にのみ存在し,その後のシステム使用時に利用できないセンサからの情報の利用を容易にする手法を提案する。
この方法は、ジョイントトレーニング中の分類損失と組み合わせた対照的な損失により、ソースセンサからの情報を目標センサデータの潜在表現に転送する。
本手法は, 平均的(全活動以上)を示すソースセンサとターゲットセンサの組み合わせを併用したPAMAP2とオポチュニティベンチマークで評価し, 個々の活動の改善によりF1は5%から13%改善した。
関連論文リスト
- Design Space Exploration on Efficient and Accurate Human Pose Estimation
from Sparse IMU-Sensing [0.04594153909580514]
HPE(Human Pose Estimation)は、スポーツ、リハビリテーション、仕事の安全などにおいて、個人データを損なうことなく正確な感覚を必要とする。
ハードウェアリソースの正確性と効率的な利用との間の中心的なトレードオフは、研究ではほとんど議論されない。
我々は、センサ構成の異なる公開ボディモデルデータセットからIMUデータを生成し、このデータでディープラーニングモデルをトレーニングする。
論文 参考訳(メタデータ) (2023-07-21T13:36:49Z) - A Real-time Human Pose Estimation Approach for Optimal Sensor Placement
in Sensor-based Human Activity Recognition [63.26015736148707]
本稿では,人間の行動認識に最適なセンサ配置の課題を解決するための新しい手法を提案する。
得られた骨格データは、最適なセンサ位置を特定するためのユニークな戦略を提供する。
本研究は,センサ配置の視覚的手法が従来のディープラーニング手法と同等の結果をもたらすことを示唆している。
論文 参考訳(メタデータ) (2023-07-06T10:38:14Z) - A Matter of Annotation: An Empirical Study on In Situ and Self-Recall
Activity Annotations from Wearable Sensors [79.57744087902266]
そこで本研究では,Wildデータに着目した4つのアノテーション手法を比較した。
本研究は,異なるラベル付け手法がアノテーションの品質に直接影響を及ぼすことを示す。
アクティビティダイアログと可視化ツールを組み合わせることで,参加者のアクティビティデータを検査し,ラベル付けすることができる。
論文 参考訳(メタデータ) (2023-05-15T16:02:56Z) - TASKED: Transformer-based Adversarial learning for human activity
recognition using wearable sensors via Self-KnowledgE Distillation [6.458496335718508]
本稿では,TASKED(Self-KnowledgE Distillation)を用いたウェアラブルセンサを用いた,トランスフォーマーに基づく人間行動認識のための新しい逆学習フレームワークを提案する。
提案手法では,教師なしの自己知識蒸留を採用し,訓練手順の安定性と人間の活動認識性能を向上させる。
論文 参考訳(メタデータ) (2022-09-14T11:08:48Z) - ALLSH: Active Learning Guided by Local Sensitivity and Hardness [98.61023158378407]
本稿では,局所感度と硬度認識獲得機能を備えたラベル付きサンプルの検索を提案する。
本手法は,様々な分類タスクにおいてよく用いられるアクティブラーニング戦略よりも一貫した利得が得られる。
論文 参考訳(メタデータ) (2022-05-10T15:39:11Z) - 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) - DAPPER: Label-Free Performance Estimation after Personalization for
Heterogeneous Mobile Sensing [95.18236298557721]
DAPPER(Domain AdaPtation Performance EstimatoR)を提案する。
実世界の6つのベースラインと比較した4つのセンシングデータセットによる評価の結果,DAPPERの精度は39.8%向上した。
論文 参考訳(メタデータ) (2021-11-22T08:49:33Z) - Towards Reducing Labeling Cost in Deep Object Detection [61.010693873330446]
本稿では,検知器の不確実性と頑健性の両方を考慮した,アクティブラーニングのための統一的なフレームワークを提案する。
提案手法は, 確率分布のドリフトを抑えながら, 極めて確実な予測を擬似ラベル化することができる。
論文 参考訳(メタデータ) (2021-06-22T16:53:09Z) - 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)
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。