論文の概要: ConvBoost: Boosting ConvNets for Sensor-based Activity Recognition

• arxiv url: http://arxiv.org/abs/2305.13541v1
• Date: Mon, 22 May 2023 23:27:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-24 20:11:41.403257
• Title: ConvBoost: Boosting ConvNets for Sensor-based Activity Recognition
• Title（参考訳）: convboost: センサベースのアクティビティ認識のためのconvnet
• Authors: Shuai Shao, Yu Guan, Bing Zhai, Paolo Missier, Thomas Ploetz
• Abstract要約: HAR(Human Activity Recognition)は、ユビキタスおよびウェアラブルコンピューティングにおける中核的な研究テーマの1つである。 期待された全体的な能力にもかかわらず、DLベースのHARは、非常に小さく、しばしば不十分なラベル付きサンプルデータのために、過度に適合する恐れがある。 本稿では,畳み込みネットワークに基づくHARのための新しい3層構造モデルアーキテクチャであるConvBoostを提案する。
• 参考スコア（独自算出の注目度）: 12.41245380583196
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human activity recognition (HAR) is one of the core research themes in ubiquitous and wearable computing. With the shift to deep learning (DL) based analysis approaches, it has become possible to extract high-level features and perform classification in an end-to-end manner. Despite their promising overall capabilities, DL-based HAR may suffer from overfitting due to the notoriously small, often inadequate, amounts of labeled sample data that are available for typical HAR applications. In response to such challenges, we propose ConvBoost -- a novel, three-layer, structured model architecture and boosting framework for convolutional network based HAR. Our framework generates additional training data from three different perspectives for improved HAR, aiming to alleviate the shortness of labeled training data in the field. Specifically, with the introduction of three conceptual layers--Sampling Layer, Data Augmentation Layer, and Resilient Layer -- we develop three "boosters" -- R-Frame, Mix-up, and C-Drop -- to enrich the per-epoch training data by dense-sampling, synthesizing, and simulating, respectively. These new conceptual layers and boosters, that are universally applicable for any kind of convolutional network, have been designed based on the characteristics of the sensor data and the concept of frame-wise HAR. In our experimental evaluation on three standard benchmarks (Opportunity, PAMAP2, GOTOV) we demonstrate the effectiveness of our ConvBoost framework for HAR applications based on variants of convolutional networks: vanilla CNN, ConvLSTM, and Attention Models. We achieved substantial performance gains for all of them, which suggests that the proposed approach is generic and can serve as a practical solution for boosting the performance of existing ConvNet-based HAR models. This is an open-source project, and the code can be found at https://github.com/sshao2013/ConvBoost
• Abstract（参考訳）: 人間活動認識(HAR)はユビキタスおよびウェアラブルコンピューティングにおける中核的な研究テーマの一つである。 ディープラーニング(DL)に基づく分析アプローチへの移行により、高度な特徴を抽出し、エンドツーエンドで分類することが可能になった。 期待された全体的な機能にもかかわらず、DLベースのHARは、典型的なHARアプリケーションで利用可能なラベル付きサンプルデータの量が少ないことで、過度に適合する可能性がある。 このような課題に対応するために,我々は,畳み込みネットワークベースのHARのための新しい3層構造モデルアーキテクチャであるConvBoostを提案する。 このフレームワークは,フィールド内のラベル付きトレーニングデータの短さを軽減すべく,harの改善のために3つの異なる視点から追加のトレーニングデータを生成する。 具体的には,3つの概念的レイヤ – サンプリング層,データ拡張層,レジリエント層 -- を導入して,r-frame,mix-up,c-drop という3つの "ブースタ" を開発し,集中サンプリング,合成,シミュレートによってepoch単位のトレーニングデータを強化する。 これらの新しい概念層とブースターは、あらゆる種類の畳み込みネットワークに普遍的に適用でき、センサデータの特徴とフレームワイドHARの概念に基づいて設計されている。 我々は,3つの標準ベンチマーク(Opportunity, PAMAP2, GOTOV)を実験的に評価し,バニラCNN, ConvLSTM, Attention Modelsの変種に基づくHARアプリケーションに対するConvBoostフレームワークの有効性を実証した。 その結果,提案手法は汎用的であり,既存のConvNetベースのHARモデルの性能向上のための実用的なソリューションとなる可能性が示唆された。 これはオープンソースプロジェクトで、コードはhttps://github.com/sshao2013/convboostで見ることができる。

関連論文リスト

• Robust and Explainable Fine-Grained Visual Classification with Transfer Learning: A Dual-Carriageway Framework [0.799543372823325]
  我々は、Dual-Carriageway Framework (DCF) という自動ベストスーツトレーニングソリューション検索フレームワークを提案する。 3つの畳み込みニューラルネットワーク(ResNet18、ResNet34、Inception-v3)を用いてDCFの有効性を検証する。 その結果、既存のデータセットと新しいデータセットでそれぞれ2.13%、1.23%の微調整パスのパフォーマンスが向上した。
  論文  参考訳（メタデータ） (2024-05-09T15:41:10Z)
• CoSense3D: an Agent-based Efficient Learning Framework for Collective Perception [0.552480439325792]
  本稿では,よりクリーンなデータフロー構造を実現するために,ディープラーニングモジュールとエージェントデータを個別に扱うエージェントベースのトレーニングフレームワークを提案する。 このフレームワークは、データ処理パイプラインをプロトタイピングし、各エージェントの勾配計算を定義するAPIを提供するだけでなく、インタラクティブなトレーニング、テスト、データ視覚化のためのユーザインターフェースも提供する。
  論文  参考訳（メタデータ） (2024-04-29T11:40:27Z)
• Visual Prompting Upgrades Neural Network Sparsification: A Data-Model Perspective [64.04617968947697]
  より優れた重量空間を実現するために、新しいデータモデル共設計視点を導入する。 具体的には、提案したVPNフレームワークでニューラルネットワークのスパーシフィケーションをアップグレードするために、カスタマイズされたVisual Promptが実装されている。
  論文  参考訳（メタデータ） (2023-12-03T13:50:24Z)
• Boosting Low-Data Instance Segmentation by Unsupervised Pre-training with Saliency Prompt [103.58323875748427]
  この研究は、低データ体制のための新しい教師なし事前学習ソリューションを提供する。 近年のPrompting技術の成功に触発されて,QEISモデルを強化した新しい事前学習手法を導入する。 実験結果から,本手法は3つのデータセット上でのいくつかのQEISモデルを大幅に向上させることが示された。
  論文  参考訳（メタデータ） (2023-02-02T15:49:03Z)
• 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)
• SVNet: Where SO(3) Equivariance Meets Binarization on Point Cloud Representation [65.4396959244269]
  本論文は,3次元学習アーキテクチャを構築するための一般的なフレームワークを設計することによる課題に対処する。 提案手法はPointNetやDGCNNといった一般的なバックボーンに適用できる。 ModelNet40、ShapeNet、および実世界のデータセットであるScanObjectNNの実験では、この手法が効率、回転、精度の間の大きなトレードオフを達成することを示した。
  論文  参考訳（メタデータ） (2022-09-13T12:12:19Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)
• Generative Adversarial Networks for Annotated Data Augmentation in Data Sparse NLU [0.76146285961466]
  データスパーシティは、自然言語理解におけるモデル開発に関連する重要な課題の1つです。 GAN (Sequence Generative Adversarial Network) を用いたトレーニングデータ拡張によるNLUモデルの性能向上について報告する。 本実験により, 逐次生成逆数ネットワークを用いて生成した合成データにより, 複数の指標間で大きな性能向上が得られた。
  論文  参考訳（メタデータ） (2020-12-09T20:38:17Z)
• Improving Point Cloud Semantic Segmentation by Learning 3D Object Detection [102.62963605429508]
  ポイントクラウドセマンティックセグメンテーションは、自動運転において重要な役割を果たす。 現在の3Dセマンティックセグメンテーションネットワークは、よく表現されたクラスに対して優れた性能を発揮する畳み込みアーキテクチャに焦点を当てている。 Aware 3D Semantic Detection (DASS) フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-22T14:17:40Z)

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。