論文の概要: Activity Classification Using Unsupervised Domain Transfer from Body Worn Sensors

• arxiv url: http://arxiv.org/abs/2304.10643v1
• Date: Thu, 20 Apr 2023 21:08:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-24 16:35:48.611064
• Title: Activity Classification Using Unsupervised Domain Transfer from Body Worn Sensors
• Title（参考訳）: 身体装着センサからの非教師なしドメイン転送を用いた活動分類
• Authors: Chaitra Hedge, Gezheng Wen, Layne C. Price
• Abstract要約: 新しい身体位置の行動分類を行うには、一般に、新しい位置に対応するラベル付きデータが必要であるが、取得は高価である。 Inertial Measurement Unit(IMU)データに基づいてトレーニングされた既存のアクティビティ分類器(ソースドメイン)を活用する革新的な手法を提案する。 我々は、ソースドメインでの埋め込みを複製することにより、ターゲットドメインでのアクティビティ分類を実行するように埋め込みモデルを訓練する。 これは、ソースとターゲットドメインでの同時IMU測定によって達成される。
• 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: Activity classification has become a vital feature of wearable health tracking devices. As innovation in this field grows, wearable devices worn on different parts of the body are emerging. To perform activity classification on a new body location, labeled data corresponding to the new locations are generally required, but this is expensive to acquire. In this work, we present an innovative method to leverage an existing activity classifier, trained on Inertial Measurement Unit (IMU) data from a reference body location (the source domain), in order to perform activity classification on a new body location (the target domain) in an unsupervised way, i.e. without the need for classification labels at the new location. Specifically, given an IMU embedding model trained to perform activity classification at the source domain, we train an embedding model to perform activity classification at the target domain by replicating the embeddings at the source domain. This is achieved using simultaneous IMU measurements at the source and target domains. The replicated embeddings at the target domain are used by a classification model that has previously been trained on the source domain to perform activity classification at the target domain. We have evaluated the proposed methods on three activity classification datasets PAMAP2, MHealth, and Opportunity, yielding high F1 scores of 67.19%, 70.40% and 68.34%, respectively when the source domain is the wrist and the target domain is the torso.
• Abstract（参考訳）: アクティビティの分類は、ウェアラブルの健康追跡デバイスにとって重要な特徴となっている。 この分野のイノベーションが進むにつれて、身体のさまざまな部分に装着するウェアラブルデバイスが出現している。 新しいボディロケーションでアクティビティ分類を行うには、通常、新しいロケーションに対応するラベル付きデータが必要となるが、これは取得にコストがかかる。 本研究では,既存の活動分類器を活用し,基準体位置(ソース領域)から慣性測定単位(imu)データに基づいて訓練し,新しい身体位置(対象領域)における活動分類を教師なしの方法で行う革新的な手法を提案する。 具体的には、ソースドメインでアクティビティ分類を行うようにトレーニングされたimm埋め込みモデルが与えられた場合、ソースドメインで埋め込みを複製することで、ターゲットドメインでアクティビティ分類を行うように組み込みモデルをトレーニングします。 これはソースとターゲットドメインでの同時IMU測定によって達成される。 ターゲットドメインでの複製された埋め込みは、ターゲットドメインでアクティビティ分類を行うためにソースドメインでトレーニングされた分類モデルによって使用される。 提案手法をPAMAP2,MHealth,Opportunityの3つのアクティビティ分類データセットで評価し,ソースドメインが手首,ターゲットドメインが胴体である場合,F1スコアが67.19%,70.40%,68.34%であった。

関連論文リスト

• Named Entity Recognition Under Domain Shift via Metric Learning for Life Sciences [55.185456382328674]
  名前付きエンティティ認識モデルの拡張のための転写学習の適用性について検討する。 本モデルでは,(1)アノテートイベントからの知識を付加してエンティティ間の関係を確立するソースドメインにおけるエンティティグループ化,2) 対象ドメインにおけるエンティティの識別を擬似ラベリングとコントラスト学習に頼って,2つのドメイン内のエンティティ間の識別を強化する,という2つの段階で構成されている。
  論文  参考訳（メタデータ） (2024-01-19T03:49:28Z)
• Pulling Target to Source: A New Perspective on Domain Adaptive Semantic Segmentation [80.1412989006262]
  ドメイン適応セマンティックセグメンテーションは、ラベル付きソースドメインからラベルなしターゲットドメインに知識を転送することを目的としています。 我々はT2S-DAを提案し、T2S-DAはドメイン適応のためのソースにターゲットを引っ張る形式として解釈する。
  論文  参考訳（メタデータ） (2023-05-23T07:09:09Z)
• A Two-Stage Framework with Self-Supervised Distillation For Cross-Domain Text Classification [46.47734465505251]
  クロスドメインテキスト分類は、ラベル付きデータを持たないターゲットドメインにモデルを適応させることを目的としている。 クロスドメインテキスト分類のための2段階フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-18T06:21:40Z)
• From Big to Small: Adaptive Learning to Partial-Set Domains [94.92635970450578]
  ドメイン適応は、分布シフト中のラベル付きソースドメインからラベルなしターゲットドメインへの知識獲得と普及を目標とする。 近年の進歩は、大規模の深層学習モデルにより、小規模の下流の多様な課題に取り組むための豊富な知識が得られていることを示している。 本稿では,学習パラダイムである部分領域適応(Partial Domain Adaptation, PDA)を紹介する。
  論文  参考訳（メタデータ） (2022-03-14T07:02:45Z)
• ADeADA: Adaptive Density-aware Active Domain Adaptation for Semantic Segmentation [23.813813896293876]
  セマンティックセグメンテーションのための一般的なアクティブドメイン適応フレームワークであるADeADAについて述べる。 対象とするドメインアノテーションが5%未満の場合、我々のメソッドは完全な監視の方法と同等の結果に到達します。
  論文  参考訳（メタデータ） (2022-02-14T05:17:38Z)
• Adversarial Domain Adaptation with Self-Training for EEG-based Sleep Stage Classification [13.986662296156013]
  本研究では,未ラベル対象領域におけるドメインシフト問題に対処するための新しい逆学習フレームワークを提案する。 まず、ソースドメインとターゲットドメインのドメイン固有の特徴を保存するために、非共有アテンションメカニズムを開発する。 第2に、ターゲットドメインの擬似ラベルを用いて、ソースおよびターゲットドメインの細粒度分布クラスを調整するための自己学習戦略を設計する。
  論文  参考訳（メタデータ） (2021-07-09T14:56:12Z)
• Curriculum CycleGAN for Textual Sentiment Domain Adaptation with Multiple Sources [68.31273535702256]
  我々は,C-CycleGAN(C-CycleGAN)という,新しいインスタンスレベルのMDAフレームワークを提案する。 C-CycleGANは、(1)異なるドメインからのテキスト入力を連続的な表現空間にエンコードする事前訓練されたテキストエンコーダ、(2)ソースとターゲットドメイン間のギャップを埋めるカリキュラムインスタンスレベルの適応を伴う中間ドメインジェネレータ、(3)中間ドメインで最終感情分類のために訓練されたタスク分類器の3つのコンポーネントから構成される。 3つのベンチマークデータセットに対して広範な実験を行い、最先端のDAアプローチよりも大幅に向上した。
  論文  参考訳（メタデータ） (2020-11-17T14:50:55Z)
• Learning Target Domain Specific Classifier for Partial Domain Adaptation [85.71584004185031]
  非教師付きドメイン適応(UDA)は、ラベル付きソースドメインからラベル付きターゲットドメインに知識を転送する際の分散不一致を低減することを目的としている。 本稿では,ターゲットラベル空間をソースラベル空間に仮定する,より現実的なUDAシナリオに焦点を当てる。
  論文  参考訳（メタデータ） (2020-08-25T02:28:24Z)
• Towards Fair Cross-Domain Adaptation via Generative Learning [50.76694500782927]
  ドメイン適応(DA)は、よくラベル付けされたソースドメイン上でトレーニングされたモデルを、異なる分散に横たわる未ラベルのターゲットドメインに適応することを目的としています。 本研究では,新規な生成的Few-shot Cross-Domain Adaptation (GFCA) アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-03-04T23:25:09Z)

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。