論文の概要: WSense: A Robust Feature Learning Module for Lightweight Human Activity Recognition

• arxiv url: http://arxiv.org/abs/2303.17845v1
• Date: Fri, 31 Mar 2023 07:12:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-03 15:00:21.499998
• Title: WSense: A Robust Feature Learning Module for Lightweight Human Activity Recognition
• Title（参考訳）: WSense: 軽量なヒューマンアクティビティ認識のためのロバストな特徴学習モジュール
• Authors: Ayokunle Olalekan Ige, Mohd Halim Mohd Noor
• Abstract要約: 本稿では,2つの1次元CNNとグローバル最大プール層を用いて,ウェアラブルセンサデータから同様の品質特徴を抽出する機能学習モジュールWSenseを提案する。 CNNとConvLSTMの特徴学習パイプラインを用いて、単一の加速度計(WISDM)で得られたデータセットと、様々なスライドウィンドウサイズで加速度計、ジャイロスコープ、磁気計(PAMAP2)を融合して得られたデータセットを用いて実験を行った。 WSenseモジュールは、同様の品質機能を学ぶパイプラインを支援し、すべてのスライディングウィンドウセグメンテーションで最小限で均一なモデルサイズでベースラインと既存のモデルを上回った。
• 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: In recent times, various modules such as squeeze-and-excitation, and others have been proposed to improve the quality of features learned from wearable sensor signals. However, these modules often cause the number of parameters to be large, which is not suitable for building lightweight human activity recognition models which can be easily deployed on end devices. In this research, we propose a feature learning module, termed WSense, which uses two 1D CNN and global max pooling layers to extract similar quality features from wearable sensor data while ignoring the difference in activity recognition models caused by the size of the sliding window. Experiments were carried out using CNN and ConvLSTM feature learning pipelines on a dataset obtained with a single accelerometer (WISDM) and another obtained using the fusion of accelerometers, gyroscopes, and magnetometers (PAMAP2) under various sliding window sizes. A total of nine hundred sixty (960) experiments were conducted to validate the WSense module against baselines and existing methods on the two datasets. The results showed that the WSense module aided pipelines in learning similar quality features and outperformed the baselines and existing models with a minimal and uniform model size across all sliding window segmentations. The code is available at https://github.com/AOige/WSense.
• Abstract（参考訳）: 近年,ウェアラブルセンサ信号から学習した特徴の質を向上させるために,圧縮励起などの様々なモジュールが提案されている。 しかし、これらのモジュールはパラメータ数を大きくすることが多いため、エンドデバイスに簡単にデプロイできる軽量なヒューマンアクティビティ認識モデルの構築には適していない。 本研究では,2つの1d cnnおよびglobal maxプーリング層を用いて,ウェアラブルセンサデータから類似した品質特徴を抽出し,スライディングウインドウの大きさに起因する行動認識モデルの差異を無視する機能学習モジュールwsenseを提案する。 加速度計 (wisdm) と加速度計, ジャイロスコープ, 磁力計 (pamap2) を各種スライディングウィンドウサイズで融合して得られたデータセット上で, cnn と convlstm の特徴学習パイプラインを用いて実験を行った。 合計で90,60 (960) の実験を行い、2つのデータセットのベースラインと既存のメソッドに対する WSense モジュールの検証を行った。 結果は、WSenseモジュールが、同様の品質特徴を学習するパイプラインを支援し、ベースラインと既存のモデルにおいて、すべてのスライディングウィンドウセグメンテーションで最小かつ均一なモデルサイズで性能を向上したことを示している。 コードはhttps://github.com/AOige/WSense.comで入手できる。

関連論文リスト

• Detection Is Tracking: Point Cloud Multi-Sweep Deep Learning Models Revisited [0.0]
  自律運転では、ライダー測定は通常、ディープラーニングモデルによって実現された「仮想センサー」を介して行われる。 本稿では,このような入力には時間的情報が含まれており,仮想センサの出力には時間的情報も含むべきであると論じる。 本稿では,MULti-Sweep PAired Detector (MULSPAD)と呼ばれる深層学習モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-24T08:07:48Z)
• Multi-unit soft sensing permits few-shot learning [0.0]
  知識が強い関連性を持つソフトセンサー学習タスク間で伝達されると、一般的に性能向上が達成される。 転送可能性に関する特に関係のあるケースは、同じタイプのソフトセンサーを、類似しているが物理的に異なるプロセスやユニットのために開発する場合である。 この設定で転送可能性を利用する手法を適用すると、マルチユニットソフトセンシングと呼ばれるものになります。
  論文  参考訳（メタデータ） (2023-09-27T17:50:05Z)
• Lightweight Salient Object Detection in Optical Remote-Sensing Images via Semantic Matching and Edge Alignment [61.45639694373033]
  セマンティックマッチングとエッジアライメントに基づく光リモートセンシング画像(ORSI-SOD)のための新しい軽量ネットワークSeaNetを提案する。 具体的には、機能抽出のための軽量MobileNet-V2、高レベルの機能のための動的セマンティックマッチングモジュール(DSMM)、推論のためのポータブルデコーダが含まれる。
  論文  参考訳（メタデータ） (2023-01-07T04:33:51Z)
• Neural Attentive Circuits [93.95502541529115]
  我々は、NAC(Neural Attentive Circuits)と呼ばれる汎用的でモジュラーなニューラルアーキテクチャを導入する。 NACは、ドメイン知識を使わずに、ニューラルネットワークモジュールのパラメータ化と疎結合を学習する。 NACは推論時に8倍のスピードアップを達成するが、性能は3%以下である。
  論文  参考訳（メタデータ） (2022-10-14T18:00:07Z)
• Learning to Simulate Realistic LiDARs [66.7519667383175]
  リアルLiDARセンサのデータ駆動シミュレーションのためのパイプラインを提案する。 本モデルでは, 透明表面上の落下点などの現実的な効果を符号化できることが示される。 我々は2つの異なるLiDARセンサのモデルを学習し、それに従ってシミュレーションされたLiDARデータを改善する。
  論文  参考訳（メタデータ） (2022-09-22T13:12:54Z)
• Incremental Online Learning Algorithms Comparison for Gesture and Visual Smart Sensors [68.8204255655161]
  本稿では,加速度センサデータに基づくジェスチャー認識と画像分類の2つの実例として,最先端の4つのアルゴリズムを比較した。 以上の結果から,これらのシステムの信頼性と小型メモリMCUへのデプロイの可能性が確認された。
  論文  参考訳（メタデータ） (2022-09-01T17:05:20Z)
• SEnSeI: A Deep Learning Module for Creating Sensor Independent Cloud Masks [0.7340845393655052]
  我々は、新しいニューラルネットワークアーキテクチャー、Sensor Independence(SEnSeI)のためのスペクトルエンコーダを導入する。 クラウドマスキングの問題,既存のいくつかのデータセット,Sentinel-2用の新たな無償データセットなどに注目した。 我々のモデルは、訓練した衛星(Sentinel-2とLandsat 8)の最先端性能を達成し、Landsat 7, Per'uSat-1、Sentinel-3 SLSTRのようなトレーニング中に観測されていないセンサーに外挿することができる。
  論文  参考訳（メタデータ） (2021-11-16T10:47:10Z)
• A Driving Behavior Recognition Model with Bi-LSTM and Multi-Scale CNN [59.57221522897815]
  運転行動認識のための軌道情報に基づくニューラルネットワークモデルを提案する。 提案手法を公開BLVDデータセット上で評価し,満足な性能を実現する。
  論文  参考訳（メタデータ） (2021-03-01T06:47:29Z)
• Simultaneous Detection and Tracking with Motion Modelling for Multiple Object Tracking [94.24393546459424]
  本稿では,複数の物体の運動パラメータを推定し,共同検出と関連付けを行うディープ・モーション・モデリング・ネットワーク(DMM-Net)を提案する。 DMM-Netは、人気の高いUA-DETRACチャレンジで12.80 @120+ fpsのPR-MOTAスコアを達成した。 また,車両追跡のための大規模な公開データセットOmni-MOTを合成し,精密な接地トルースアノテーションを提供する。
  論文  参考訳（メタデータ） (2020-08-20T08:05:33Z)

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。