論文の概要: Human Fall Detection- Multimodality Approach

• arxiv url: http://arxiv.org/abs/2302.00224v1
• Date: Wed, 1 Feb 2023 04:05:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-02 13:34:33.890744
• Title: Human Fall Detection- Multimodality Approach
• Title（参考訳）: 落下検出-マルチモダリティアプローチ
• Authors: Xi Wang, Ramya Penta, Bhavya Sehgal, Dale Chen-Song
• Abstract要約: 我々は、加速度計データ保持ラベル付き手首センサをバイナリ分類、すなわち、データ集合からのフォールとフォールを含まない2値分類に使用します。 実験結果から,2値分類のためのマルチセンサと比較して手首データのみを用いることは,転倒検出のためのモデル予測性能に影響を及ぼさないことがわかった。
• 参考スコア（独自算出の注目度）: 2.7215474244966296
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Falls have become more frequent in recent years, which has been harmful for senior citizens.Therefore detecting falls have become important and several data sets and machine learning model have been introduced related to fall detection. In this project report, a human fall detection method is proposed using a multi modality approach. We used the UP-FALL detection data set which is collected by dozens of volunteers using different sensors and two cameras. We use wrist sensor with acclerometer data keeping labels to binary classification, namely fall and no fall from the data set.We used fusion of camera and sensor data to increase performance. The experimental results shows that using only wrist data as compared to multi sensor for binary classification did not impact the model prediction performance for fall detection.
• Abstract（参考訳）: 近年,高齢者に有害な転倒が頻発し,転倒検出が重要となり,転倒検出に関連するデータセットや機械学習モデルが紹介されている。 本報告では,マルチモータリティ手法を用いて人間の転倒検出手法を提案する。 さまざまなセンサと2台のカメラを使って数十人のボランティアが収集したアップフォール検出データセットを使用した。 我々は,2進分類にラベルを保持するアクセラメータデータを有する手首センサ,すなわち,データセットからの落下・落下を検知し,カメラとセンサデータの融合を用いて性能向上を行った。 その結果,二分分類のためのマルチセンサと比較して手首データのみを使用することは,転倒検出のモデル予測性能に影響を与えなかった。

関連論文リスト

• Increasing the Robustness of Model Predictions to Missing Sensors in Earth Observation [5.143097874851516]
  入力センサドロップアウト(ISensD)とアンサンブルセンサ不変(ESensI)という,マルチセンサシナリオに適した2つの新しい手法について検討した。 これらの手法は, モデル予測の頑健さを, センサの欠如に対して効果的に向上させることを示した。 アンサンブル・マルチセンサー・モデルはセンサの欠如に対して最も頑丈であることが観察された。
  論文  参考訳（メタデータ） (2024-07-22T09:58:29Z)
• Machine Learning and Feature Ranking for Impact Fall Detection Event Using Multisensor Data [1.9731252964716424]
  我々は、マルチセンサUP-FALLデータセットから最も関連性の高い特徴を特定するために、特徴選択プロセスを採用している。 次に、インパクトモーメントの検出における各種機械学習モデルの効率性を評価する。 この結果から, 落下検出にマルチセンサデータを活用する能力を示すとともに, 衝突検出の精度向上を実現した。
  論文  参考訳（メタデータ） (2023-12-21T01:05:44Z)
• DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and Temporal Relatedness [78.98998551326812]
  従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。 我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。 本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
  論文  参考訳（メタデータ） (2022-09-26T21:59:14Z)
• An Outlier Exposure Approach to Improve Visual Anomaly Detection Performance for Mobile Robots [76.36017224414523]
  移動ロボットの視覚異常検出システム構築の問題点を考察する。 標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。 本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
  論文  参考訳（メタデータ） (2022-09-20T15:18:13Z)
• Inertial Hallucinations -- When Wearable Inertial Devices Start Seeing Things [82.15959827765325]
  環境支援型生活(AAL)のためのマルチモーダルセンサフュージョンの新しいアプローチを提案する。 我々は、標準マルチモーダルアプローチの2つの大きな欠点、限られた範囲のカバレッジ、信頼性の低下に対処する。 我々の新しいフレームワークは、三重項学習によるモダリティ幻覚の概念を融合させ、異なるモダリティを持つモデルを訓練し、推論時に欠落したセンサーに対処する。
  論文  参考訳（メタデータ） (2022-07-14T10:04:18Z)
• Fall detection using multimodal data [1.8149327897427234]
  本稿では,大規模なパブリックデータセット,すなわちUP-Fall Detectionデータセットに基づく転倒検出問題について検討する。 本稿では,これらのセンサやカメラから重要な特徴を抽出し,主要な問題に対する適切なモデルを構築するためのいくつかの手法を提案する。
  論文  参考訳（メタデータ） (2022-05-12T07:13:34Z)
• Robust and Accurate Object Detection via Adversarial Learning [111.36192453882195]
  この研究は、逆の例を探索することで、物体検出器の微調整段階を補強する。 提案手法は,オブジェクト検出ベンチマークにおいて,最先端のEfficientDetsの性能を+1.1mAP向上させる。
  論文  参考訳（メタデータ） (2021-03-23T19:45:26Z)
• Single-stage intake gesture detection using CTC loss and extended prefix beam search [8.22379888383833]
  個々の摂取行動の正確な検出は、自動食事監視への重要なステップである。 本稿では,センサデータから得られた確率を直接,スパース摂取検出にデコードする単一ステージアプローチを提案する。
  論文  参考訳（メタデータ） (2020-08-07T06:04:25Z)
• Detection in Crowded Scenes: One Proposal, Multiple Predictions [79.28850977968833]
  混み合ったシーンにおける高過度なインスタンスを検出することを目的とした,提案手法によるオブジェクト検出手法を提案する。 このアプローチの鍵は、各提案が以前の提案ベースのフレームワークの1つではなく、関連したインスタンスのセットを予測できるようにすることです。 我々の検出器は、CrowdHumanデータセットの挑戦に対して4.9%のAPゲインを得ることができ、CityPersonsデータセットでは1.0%$textMR-2$の改善がある。
  論文  参考訳（メタデータ） (2020-03-20T09:48:53Z)
• EHSOD: CAM-Guided End-to-end Hybrid-Supervised Object Detection with Cascade Refinement [53.69674636044927]
  本稿では,エンド・ツー・エンドのハイブリッド型オブジェクト検出システムであるEHSODについて述べる。 完全なアノテートと弱いアノテートの両方で、ワンショットでトレーニングすることができる。 完全なアノテートされたデータの30%しか持たない複数のオブジェクト検出ベンチマークで、同等の結果が得られる。
  論文  参考訳（メタデータ） (2020-02-18T08:04:58Z)

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。