論文の概要: Unsupervised Deep Learning-based clustering for Human Activity
Recognition
- arxiv url: http://arxiv.org/abs/2211.05483v1
- Date: Thu, 10 Nov 2022 10:56:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-11 14:37:28.781010
- Title: Unsupervised Deep Learning-based clustering for Human Activity
Recognition
- Title(参考訳): 教師なし深層学習に基づく人間の活動認識のためのクラスタリング
- Authors: Hamza Amrani, Daniela Micucci, Paolo Napoletano
- Abstract要約: 本稿では,多次元慣性信号を自動的にラベル付けするDLベースのクラスタリングアーキテクチャであるdisC(Deep Inertial Sensory Clustering)を提案する。
このアーキテクチャは、リカレントオートエンコーダとクラスタリング基準を組み合わせることで、人間の活動関連信号を予測する。
この実験は、クラスタリング精度と正規化相互情報量の両方に対するdisCの有効性を示す。
- 参考スコア(独自算出の注目度): 8.716606664673982
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: One of the main problems in applying deep learning techniques to recognize
activities of daily living (ADLs) based on inertial sensors is the lack of
appropriately large labelled datasets to train deep learning-based models. A
large amount of data would be available due to the wide spread of mobile
devices equipped with inertial sensors that can collect data to recognize human
activities. Unfortunately, this data is not labelled. The paper proposes DISC
(Deep Inertial Sensory Clustering), a DL-based clustering architecture that
automatically labels multi-dimensional inertial signals. In particular, the
architecture combines a recurrent AutoEncoder and a clustering criterion to
predict unlabelled human activities-related signals. The proposed architecture
is evaluated on three publicly available HAR datasets and compared with four
well-known end-to-end deep clustering approaches. The experiments demonstrate
the effectiveness of DISC on both clustering accuracy and normalized mutual
information metrics.
- Abstract(参考訳): 慣性センサーに基づく日常生活(ADL)の行動認識にディープラーニング技術を適用する際の大きな問題の1つは、ディープラーニングベースのモデルをトレーニングするための適切な大きなラベル付きデータセットがないことである。
人間の活動を認識するためにデータを収集できる慣性センサーを備えたモバイルデバイスが広く普及しているため、大量のデータが利用可能になる。
残念ながら、このデータはラベル付けされていない。
本稿では,多次元慣性信号を自動的にラベル付けするdlベースのクラスタリングアーキテクチャである disc (deep inertial sensory clustering) を提案する。
特に、アーキテクチャはリカレントオートエンコーダとクラスタリング基準を組み合わせることで、ラベルなしのヒューマンアクティビティ関連信号を予測する。
提案アーキテクチャは3つの公開HARデータセットで評価され、よく知られた4つのエンドツーエンドのディープクラスタリングアプローチと比較される。
実験は,ディスクがクラスタリング精度と正規化相互情報指標の両方に有効であることを示す。
関連論文リスト
- Reinforcement Learning Based Multi-modal Feature Fusion Network for
Novel Class Discovery [47.28191501836041]
本稿では,人間の認知過程をシミュレートするために強化学習フレームワークを用いる。
また,マルチモーダル情報から特徴を抽出・融合するマルチエージェントフレームワークをデプロイした。
我々は、OS-MN40、OS-MN40-Miss、Cifar10データセットを用いて、3Dドメインと2Dドメインの両方でのアプローチの性能を示す。
論文 参考訳(メタデータ) (2023-08-26T07:55:32Z) - Efficient Deep Clustering of Human Activities and How to Improve
Evaluation [53.08810276824894]
我々は,ヒト活動の再コーグ・ニオン(HAR)のための新しい深層クラスタリングモデルを提案する。
本稿では,HARクラスタリングモデルがどのように評価されるかという,いくつかの異なる問題を取り上げる。
次に、これらの問題に対する解決策について議論し、将来の深層HARクラスタリングモデルに対する標準評価設定を提案する。
論文 参考訳(メタデータ) (2022-09-17T14:12:42Z) - The Overlooked Classifier in Human-Object Interaction Recognition [82.20671129356037]
クラス間の意味的相関を分類ヘッドにエンコードし,重みをHOIの言語埋め込みで初期化する。
我々は,LSE-Sign という新しい損失を,長い尾を持つデータセット上でのマルチラベル学習を強化するために提案する。
我々は,物体検出と人間のポーズを明確なマージンで求める最先端技術よりも優れた,検出不要なHOI分類を可能にする。
論文 参考訳(メタデータ) (2022-03-10T23:35:00Z) - Human Motion Detection Using Sharpened Dimensionality Reduction and
Clustering [1.1172382217477126]
本研究では,高次元データの2次元投影を容易にラベル付けするためのクラスタリング手法を提案する。
我々は、SDRのパイプラインと、さまざまな合成および実世界のデータセット上でクラスタリング方法をテストする。
我々は、クラスタリングSDRの結果が、クラスタリングプレーンDRよりも優れたラベル付け結果をもたらすことを結論し、k-meansがSDRの推奨クラスタリング方法であることを示す。
論文 参考訳(メタデータ) (2022-02-23T18:18:25Z) - Homogenization of Existing Inertial-Based Datasets to Support Human
Activity Recognition [8.076841611508486]
信号から日常生活の行動を認識する問題に対処するために,いくつかの手法が提案されている。
慣性信号に適用する深層学習技術は有効であることが証明されており、かなりの分類精度が達成されている。
人間の行動認識モデルの研究は、ほぼ完全にモデル中心である。
論文 参考訳(メタデータ) (2022-01-17T14:29:48Z) - Clustering augmented Self-Supervised Learning: Anapplication to Land
Cover Mapping [10.720852987343896]
本稿では,自己教師型学習のためのクラスタリングに基づくプレテキストタスクを用いて,土地被覆マッピングの新しい手法を提案する。
社会的に関係のある2つのアプリケーションに対して,本手法の有効性を示す。
論文 参考訳(メタデータ) (2021-08-16T19:35:43Z) - Similarity Embedding Networks for Robust Human Activity Recognition [19.162857787656247]
我々は、入力センサ信号を、慎重に設計された畳み込み層とLSTM層を通して実ベクトルにマッピングする類似性埋め込みニューラルネットワークを設計する。
埋め込みネットワークは、ペアワイズな類似性損失でトレーニングされ、埋め込み実空間内の同じクラスからのサンプルのクラスタリングを奨励する。
2つの公開データセットに基づく広範囲な評価により、提案された類似性埋め込みネットワークは、HAR分類タスクにおける最先端のディープモデルを大幅に上回っていることが示された。
論文 参考訳(メタデータ) (2021-05-31T11:52:32Z) - Dual Adversarial Auto-Encoders for Clustering [152.84443014554745]
教師なしクラスタリングのためのDual-AAE(Dual-AAE)を提案する。
Dual-AAEの目的関数に対する変分推論を行うことで,一対のオートエンコーダをトレーニングすることで最適化可能な新たな再構成損失を導出する。
4つのベンチマーク実験により、Dual-AAEは最先端のクラスタリング手法よりも優れた性能を発揮することが示された。
論文 参考訳(メタデータ) (2020-08-23T13:16:34Z) - Towards Deep Clustering of Human Activities from Wearables [21.198881633580797]
本研究では,ウェアラブルからの人間行動認識の基本的な問題に対して,教師なしのエンドツーエンド学習戦略を開発する。
本研究では,センサデータの教師なし表現を協調的に学習し,異なる人間の活動に強い意味的対応を持つクラスタ代入を生成する手法の有効性を示す。
論文 参考訳(メタデータ) (2020-08-02T13:55:24Z) - Uncovering the structure of clinical EEG signals with self-supervised
learning [64.4754948595556]
教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。
この現象は脳波(EEG)などの臨床関連データに特に問題となる。
ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
論文 参考訳(メタデータ) (2020-07-31T14:34:47Z) - Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and
On-Device Inference [49.88536971774444]
慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。
正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。
我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
論文 参考訳(メタデータ) (2020-01-13T04:41:54Z)
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。