論文の概要: OpenPack: A Large-scale Dataset for Recognizing Packaging Works in IoT-enabled Logistic Environments
- arxiv url: http://arxiv.org/abs/2212.11152v2
- Date: Sat, 20 Apr 2024 15:15:13 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-24 01:41:46.217338
- Title: OpenPack: A Large-scale Dataset for Recognizing Packaging Works in IoT-enabled Logistic Environments
- Title（参考訳）: OpenPack:IoT対応のロジスティック環境におけるパッケージ作業認識のための大規模データセット
- Authors: Naoya Yoshimura, Jaime Morales, Takuya Maekawa, Takahiro Hara,
- Abstract要約: 我々は,OpenPackと呼ばれる作業認識のための大規模データセットを新たに導入する。
OpenPackには、加速度データ、キーポイント、奥行き画像、IoT対応デバイスからの読み取りを含む53.8時間のマルチモーダルセンサーデータが含まれている。
我々は、現在最先端の人間活動認識技術をデータセットに適用し、複雑な作業活動認識研究の今後の方向性を提供する。
- 参考スコア（独自算出の注目度）: 6.2454830041363145
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unlike human daily activities, existing publicly available sensor datasets for work activity recognition in industrial domains are limited by difficulties in collecting realistic data as close collaboration with industrial sites is required. This also limits research on and development of methods for industrial applications. To address these challenges and contribute to research on machine recognition of work activities in industrial domains, in this study, we introduce a new large-scale dataset for packaging work recognition called OpenPack. OpenPack contains 53.8 hours of multimodal sensor data, including acceleration data, keypoints, depth images, and readings from IoT-enabled devices (e.g., handheld barcode scanners), collected from 16 distinct subjects with different levels of packaging work experience. We apply state-of-the-art human activity recognition techniques to the dataset and provide future directions of complex work activity recognition studies in the pervasive computing community based on the results. We believe that OpenPack will contribute to the sensor-based action/activity recognition community by providing challenging tasks. The OpenPack dataset is available at https://open-pack.github.io.
- Abstract（参考訳）: ヒトの日常活動とは異なり、産業領域における業務活動認識のための既存のセンサデータセットは、産業現場との密接なコラボレーションが必要なため、現実的なデータ収集の困難さによって制限されている。
これはまた、産業応用のための方法の研究と開発を制限している。
そこで本研究では,これらの課題に対処し,産業領域における作業活動の機械的認識に関する研究に寄与するため,OpenPackと呼ばれる大規模な作業認識データセットを新たに導入する。
OpenPackには、加速度データ、キーポイント、深度画像、IoT対応デバイス(例えばハンドヘルドバーコードスキャナー)からの読み取りを含む53.8時間のマルチモーダルセンサーデータが含まれており、パッケージング作業経験の異なる16の被験者から収集されている。
本研究では,現在最先端の人間活動認識技術をデータセットに適用し,この結果に基づいて,広汎なコンピューティングコミュニティにおける複雑な作業活動認識研究の今後の方向性を示す。
OpenPackは、困難なタスクを提供することで、センサベースのアクション/アクティビティ認識コミュニティに貢献すると考えています。
OpenPackデータセットはhttps://open-pack.github.io.comで公開されている。
関連論文リスト
- CoPeD-Advancing Multi-Robot Collaborative Perception: A Comprehensive Dataset in Real-World Environments [8.177157078744571]
本稿では,先駆的で包括的な実世界のマルチロボット協調認識データセットを提案する。
生のセンサー入力、ポーズ推定、オプションのハイレベル認識アノテーションが特徴である。
この研究は、マルチロボット設定におけるマルチモーダル協調認識を通して、ハイレベルなシーン理解の潜在的研究を解き放つだろうと考えている。
論文 参考訳（メタデータ） (2024-05-23T15:59:48Z) - IPAD: Industrial Process Anomaly Detection Dataset [71.39058003212614]
ビデオ異常検出(VAD)は,ビデオフレーム内の異常を認識することを目的とした課題である。
本稿では,産業シナリオにおけるVADに特化して設計された新しいデータセットIPADを提案する。
このデータセットは16の異なる産業用デバイスをカバーし、合成ビデオと実世界のビデオの両方を6時間以上保存している。
論文 参考訳（メタデータ） (2024-04-23T13:38:01Z) - SARDet-100K: Towards Open-Source Benchmark and ToolKit for Large-Scale SAR Object Detection [79.23689506129733]
我々は,大規模SARオブジェクト検出のための新しいベンチマークデータセットとオープンソース手法を構築した。
私たちのデータセットであるSARDet-100Kは、10の既存のSAR検出データセットの厳格な調査、収集、標準化の結果です。
私たちの知る限りでは、SARDet-100KはCOCOレベルの大規模マルチクラスSARオブジェクト検出データセットとしては初めてのものです。
論文 参考訳（メタデータ） (2024-03-11T09:20:40Z) - DOO-RE: A dataset of ambient sensors in a meeting room for activity
recognition [2.2939897247190886]
環境センサを備えた会議室から収集したデータセットを構築した。
データセットであるDOO-REには、SoundやProductorなど、さまざまな環境センサタイプからのデータストリームが含まれている。
私たちの知る限りでは、DOO-REは信頼できるアノテーションを備えた実際の会議室で、シングルアクティビティとグループアクティビティの両方の認識をサポートする最初のデータセットです。
論文 参考訳（メタデータ） (2024-01-17T04:21:04Z) - Capture the Flag: Uncovering Data Insights with Large Language Models [90.47038584812925]
本研究では,Large Language Models (LLMs) を用いてデータの洞察の発見を自動化する可能性について検討する。
そこで本稿では,データセット内の意味的かつ関連する情報(フラグ)を識別する能力を測定するために,フラグを捕捉する原理に基づく新しい評価手法を提案する。
論文 参考訳（メタデータ） (2023-12-21T14:20:06Z) - Cross-Domain HAR: Few Shot Transfer Learning for Human Activity
Recognition [0.2944538605197902]
本稿では,HARデータセットを有効な転送学習に利用するための経済的なアプローチを提案する。
本稿では,教師が学習する自己学習パラダイムに則って,新たな伝達学習フレームワークであるクロスドメインHARを紹介する。
本手法の有効性を,撮影活動認識のシナリオで実証する。
論文 参考訳（メタデータ） (2023-10-22T19:13:25Z) - Towards Packaging Unit Detection for Automated Palletizing Tasks [5.235268087662475]
本稿では、合成データに基づいて完全に訓練されたこの課題に対するアプローチを提案する。
提案手法はスパースおよび低品質センサデータを扱うことができる。
我々は、さまざまな小売商品で現実世界のデータについて広範な評価を行う。
論文 参考訳（メタデータ） (2023-08-11T15:37:38Z) - RH20T: A Comprehensive Robotic Dataset for Learning Diverse Skills in
One-Shot [56.130215236125224]
オープンドメインでのロボット操作における重要な課題は、ロボットの多様性と一般化可能なスキルの獲得方法である。
単発模倣学習の最近の研究は、訓練されたポリシーを実証に基づく新しいタスクに移行する可能性を示唆している。
本稿では,エージェントがマルチモーダルな知覚で数百の現実世界のスキルを一般化する可能性を解き放つことを目的とする。
論文 参考訳（メタデータ） (2023-07-02T15:33:31Z) - Single-Modal Entropy based Active Learning for Visual Question Answering [75.1682163844354]
視覚質問応答(VQA)のマルチモーダル設定におけるアクティブラーニングに対処する
マルチモーダルな入力,画像,質問を考慮し,有効サンプル取得のための新しい手法を提案する。
私たちの新しいアイデアは、実装が簡単で、コスト効率が高く、他のマルチモーダルタスクにも容易に適応できます。
論文 参考訳（メタデータ） (2021-10-21T05:38:45Z) - Batch Exploration with Examples for Scalable Robotic Reinforcement
Learning [63.552788688544254]
BEE(Batch Exploration with Examples)は、重要状態の画像の少ない数の人間がガイドする状態空間の関連領域を探索する。
BEEは、シミュレーションと本物のフランカロボットの両方で、視覚ベースの操作に挑戦することができる。
論文 参考訳（メタデータ） (2020-10-22T17:49:25Z) - IMUTube: Automatic Extraction of Virtual on-body Accelerometry from
Video for Human Activity Recognition [12.91206329972949]
IMUTubeは、人間の活動の映像をIMUデータの仮想ストリームに変換する自動処理パイプラインである。
これらの仮想IMUストリームは、人体の様々な場所で加速度計を表現している。
本稿では,実際のIMUデータにより,既知のHARデータセット上での各種モデルの性能が向上することを示す。
論文 参考訳（メタデータ） (2020-05-29T21:50:38Z)
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。