論文の概要: Fall Detection using Knowledge Distillation Based Long short-term memory
for Offline Embedded and Low Power Devices
- arxiv url: http://arxiv.org/abs/2308.12481v1
- Date: Thu, 24 Aug 2023 00:49:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-25 15:58:52.947206
- Title: Fall Detection using Knowledge Distillation Based Long short-term memory
for Offline Embedded and Low Power Devices
- Title(参考訳): 知識蒸留に基づくオフライン組込み・低消費電力デバイスにおける長期記憶を用いた転倒検出
- Authors: Hannah Zhou, Allison Chen, Celine Buer, Emily Chen, Kayleen Tang,
Lauryn Gong, Zhiqi Liu, Jianbin Tang
- Abstract要約: 本稿では,知識蒸留によるLSTMモデルを用いた非意図的転倒検出のための低コストで低消費電力な手法を提案する。
さまざまなセンサーから収集された時系列データを分析することを中心に、このソリューションはリアルタイム検出機能を提供する。
- 参考スコア(独自算出の注目度): 3.0259127718987155
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents a cost-effective, low-power approach to unintentional
fall detection using knowledge distillation-based LSTM (Long Short-Term Memory)
models to significantly improve accuracy. With a primary focus on analyzing
time-series data collected from various sensors, the solution offers real-time
detection capabilities, ensuring prompt and reliable identification of falls.
The authors investigate fall detection models that are based on different
sensors, comparing their accuracy rates and performance. Furthermore, they
employ the technique of knowledge distillation to enhance the models'
precision, resulting in refined accurate configurations that consume lower
power. As a result, this proposed solution presents a compelling avenue for the
development of energy-efficient fall detection systems for future advancements
in this critical domain.
- Abstract(参考訳): 本稿では,知識蒸留に基づくLSTM(Long Short-Term Memory)モデルを用いて,非意図的転倒検出のための低コストで低消費電力な手法を提案する。
さまざまなセンサーから収集された時系列データの分析に重点を置いたこのソリューションは、リアルタイム検出機能を提供し、落下の迅速かつ信頼性の高い識別を可能にする。
著者らは,異なるセンサに基づく転倒検出モデルを調査し,その精度と性能を比較した。
さらに、モデルの精度を高めるために知識蒸留技術を採用し、より少ない電力を消費する精密な構成を生み出した。
その結果、本提案手法は、この臨界領域における将来の進歩のためのエネルギー効率の高い落下検知システムの開発に有効な方法である。
関連論文リスト
- REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。
グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。
本モデルは,発作検出と分類作業において高い精度を示す。
論文 参考訳(メタデータ) (2024-06-03T16:30:19Z) - DetDiffusion: Synergizing Generative and Perceptive Models for Enhanced Data Generation and Perception [78.26734070960886]
現在の知覚モデルは、リソース集約的なデータセットに大きく依存している。
セグメンテーションを通じて知覚認識損失(P.A.損失)を導入し、品質と制御性の両方を改善した。
本手法は,世代間における知覚認識属性(P.A. Attr)の抽出と利用により,データ拡張をカスタマイズする。
論文 参考訳(メタデータ) (2024-03-20T04:58:03Z) - Temporal Decisions: Leveraging Temporal Correlation for Efficient
Decisions in Early Exit Neural Networks [4.343246899774834]
本稿では,早期排他ニューラルネットワークの決定機構としての差分検出と時間パタンスについて述べる。
健康モニタリング、画像分類、ウェイクワード検出タスクにおけるそれらの効果を評価する。
推定平均演算を最大80%削減し,元のモデルの5%以内の精度を維持した。
論文 参考訳(メタデータ) (2024-03-12T08:28:27Z) - Unified Uncertainty Estimation for Cognitive Diagnosis Models [70.46998436898205]
本稿では,幅広い認知診断モデルに対する統一的不確実性推定手法を提案する。
診断パラメータの不確かさをデータ・アスペクトとモデル・アスペクトに分解する。
本手法は有効であり,認知診断の不確実性に関する有用な知見を提供することができる。
論文 参考訳(メタデータ) (2024-03-09T13:48:20Z) - Low-Frequency Load Identification using CNN-BiLSTM Attention Mechanism [0.0]
非侵入負荷モニタリング(Non-Inrusive Load Monitoring, NILM)は、効率的な電力消費管理のための確立された技術である。
本稿では,畳み込みニューラルネットワーク(CNN)と双方向長短期記憶(BILSTM)を組み合わせたハイブリッド学習手法を提案する。
CNN-BILSTMモデルは、時間的(時間的)と空間的(位置的)の両方の特徴を抽出し、アプライアンスレベルでのエネルギー消費パターンを正確に識別することができる。
論文 参考訳(メタデータ) (2023-11-14T21:02:27Z) - Robust Learning Based Condition Diagnosis Method for Distribution
Network Switchgear [8.515214508489558]
本稿では,分散ネットワークスイッチギアの状態を診断するための頑健な学習手法を提案する。
本手法は, 環境データ, 温度測定, スイッチ位置, モータ動作, 絶縁条件, 局所放電情報を含む拡張特徴ベクトルを含む。
論文 参考訳(メタデータ) (2023-11-14T07:20:46Z) - Recall-driven Precision Refinement: Unveiling Accurate Fall Detection
using LSTM [0.0]
本稿では,高齢者の転倒事故に対するプレッシャー的懸念に対処するために,正確な転倒検知システムを開発することで,革新的なアプローチを提案する。
提案システムは,加速度センサやジャイロセンサなどの最先端技術とディープラーニングモデル,特にLong Short-Term Memory(LSTM)ネットワークを組み合わせる。
本稿では,LSTMモデルのアーキテクチャとパラメータを戦略的に微調整し,システムの性能を最適化するプルーニング手法を提案する。
論文 参考訳(メタデータ) (2023-09-09T20:17:39Z) - A Robust and Explainable Data-Driven Anomaly Detection Approach For
Power Electronics [56.86150790999639]
本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。
行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。
検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
論文 参考訳(メタデータ) (2022-09-23T06:09:35Z) - Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。
電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。
本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
論文 参考訳(メタデータ) (2022-08-31T18:19:25Z) - Reflective Fiber Faults Detection and Characterization Using
Long-Short-Term Memory [0.0]
本研究では,長い短期記憶(LSTM)に基づく新たな学習モデルを提案し,繊維反射欠陥の反射率を検出し,検出し,推定する。
実験の結果,提案手法は短時間で優れた検出能力と高精度な位置推定を実現することができた。
論文 参考訳(メタデータ) (2022-03-19T08:45:45Z) - Bandit Quickest Changepoint Detection [55.855465482260165]
すべてのセンサの継続的な監視は、リソースの制約のためにコストがかかる可能性がある。
有限パラメータ化確率分布の一般クラスに対する検出遅延に基づく情報理論の下界を導出する。
本稿では,異なる検知オプションの探索と質問行動の活用をシームレスに両立させる,計算効率のよいオンラインセンシング手法を提案する。
論文 参考訳(メタデータ) (2021-07-22T07:25:35Z)
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。