論文の概要: Decoding Human Activities: Analyzing Wearable Accelerometer and
Gyroscope Data for Activity Recognition
- arxiv url: http://arxiv.org/abs/2310.02011v2
- Date: Sat, 9 Mar 2024 19:26:46 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-13 15:56:55.995936
- Title: Decoding Human Activities: Analyzing Wearable Accelerometer and
Gyroscope Data for Activity Recognition
- Title(参考訳): 人間の活動のデコード:活動認識のためのウェアラブル加速度計とジャイロスコープデータの解析
- Authors: Utsab Saha, Sawradip Saha, Tahmid Kabir, Shaikh Anowarul Fattah,
Mohammad Saquib
- Abstract要約: 提案手法では,静的アクティビティと動的アクティビティを別々に分類するために,慎重に設計されたResidualブロックを使用する。
提案手法は、UCI HARとMotion-Senseのデータセットでそれぞれ96.71%と95.35%の最先端の精度を達成する。
- 参考スコア(独自算出の注目度): 1.3549498237473223
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A person's movement or relative positioning effectively generates raw
electrical signals that can be read by computing machines to apply various
manipulative techniques for the classification of different human activities.
In this paper, a stratified multi-structural approach based on a Residual
network ensembled with Residual MobileNet is proposed, termed as FusionActNet.
The proposed method involves using carefully designed Residual blocks for
classifying the static and dynamic activities separately because they have
clear and distinct characteristics that set them apart. These networks are
trained independently, resulting in two specialized and highly accurate models.
These models excel at recognizing activities within a specific superclass by
taking advantage of the unique algorithmic benefits of architectural
adjustments. Afterward, these two ResNets are passed through a weighted
ensemble-based Residual MobileNet. Subsequently, this ensemble proficiently
discriminates between a specific static and a specific dynamic activity, which
were previously identified based on their distinct feature characteristics in
the earlier stage. The proposed model is evaluated using two publicly
accessible datasets; namely, UCI HAR and Motion-Sense. Therein, it successfully
handled the highly confusing cases of data overlap. Therefore, the proposed
approach achieves a state-of-the-art accuracy of 96.71% and 95.35% in the UCI
HAR and Motion-Sense datasets respectively.
- Abstract(参考訳): 人の動きや相対的な位置決めは、コンピュータによって読み取れる生の電気信号を効果的に生成し、異なる人間の活動の分類に様々なマニピュレータ技術を適用する。
本稿では,Residual MobileNetを組み込んだResidualネットワークに基づく階層型マルチ構造アプローチについて,FusionActNetと呼ぶ。
提案手法では,静的なアクティビティと動的アクティビティを個別に分類するために,慎重に設計されたResidualブロックを使用する。
これらのネットワークは独立して訓練され、2つの専門的かつ高精度なモデルが得られる。
これらのモデルは、アーキテクチャ調整のユニークなアルゴリズム的利点を生かして、特定のスーパークラス内での活動を認識するのに優れている。
その後、これら2つのResNetは、重み付けされたアンサンブルベースのResidual MobileNetを介して転送される。
その後、このアンサンブルは、前段階の異なる特徴特性に基づいて以前同定された特定の静的活動と特定の動的活動とを適切に識別する。
提案モデルは、UCI HARとMotion-Senseの2つの公開データセットを用いて評価される。
これにより、データ重複の非常に紛らわしいケースをうまく処理した。
そこで,提案手法では,uci harデータセットとモーションセンスデータセットで96.71%,95.35%の精度を実現している。
関連論文リスト
- Multilayer Multiset Neuronal Networks -- MMNNs [55.2480439325792]
本研究は,2層以上の類似性ニューロンを組み込んだ多層神経回路網について述べる。
また,回避すべき画像領域に割り当てられる反プロトタイプ点の利用についても検討した。
論文 参考訳(メタデータ) (2023-08-28T12:55:13Z) - Feature Decoupling-Recycling Network for Fast Interactive Segmentation [79.22497777645806]
近年のインタラクティブセグメンテーション手法では,入力としてソースイメージ,ユーザガイダンス,従来予測されていたマスクを反復的に取り込んでいる。
本稿では,本質的な相違点に基づいてモデリングコンポーネントを分離するFDRN(Feature Decoupling-Recycling Network)を提案する。
論文 参考訳(メタデータ) (2023-08-07T12:26:34Z) - Multi-body SE(3) Equivariance for Unsupervised Rigid Segmentation and
Motion Estimation [49.56131393810713]
本稿では、SE(3)同変アーキテクチャと、この課題に教師なしで取り組むためのトレーニング戦略を提案する。
本手法は,0.25Mパラメータと0.92G FLOPを用いて,モデル性能と計算効率を両立させる。
論文 参考訳(メタデータ) (2023-06-08T22:55:32Z) - Self-Supervised Human Activity Recognition with Localized Time-Frequency
Contrastive Representation Learning [16.457778420360537]
スマートフォン加速度計データを用いた人間行動認識のための自己教師付き学習ソリューションを提案する。
加速度計信号から強い表現を学習し,クラスラベルへの依存度を低減させるモデルを開発した。
提案手法の性能をMotionSense, HAPT, HHARの3つのデータセットで評価した。
論文 参考訳(メタデータ) (2022-08-26T22:47:18Z) - Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based
Action Recognition [88.34182299496074]
アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。
我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。
時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
論文 参考訳(メタデータ) (2022-07-17T07:05:39Z) - UMSNet: An Universal Multi-sensor Network for Human Activity Recognition [10.952666953066542]
本稿では,人間行動認識のためのユニバーサルマルチセンサネットワーク(UMSNet)を提案する。
特に,新しい軽量センサ残差ブロック(LSRブロック)を提案する。
我々のフレームワークは明確な構造を持ち、様々な種類のマルチモーダル時系列分類タスクに直接適用することができる。
論文 参考訳(メタデータ) (2022-05-24T03:29:54Z) - ACFNet: Adaptively-Cooperative Fusion Network for RGB-D Salient Object
Detection [0.0]
本稿では適応的協調型核融合ネットワーク(ACFNet)を提案する。
異なるオブジェクトに対して、異なるタイプの畳み込みによって生成された特徴は、セグメンテーション最適化のためのゲート機構によって強化または抑制される。
RGB-D SODデータセット上で行った十分な実験は、提案するネットワークが18の最先端アルゴリズムに対して好適に動作することを示す。
論文 参考訳(メタデータ) (2021-09-10T02:34:27Z) - Non-local Graph Convolutional Network for joint Activity Recognition and
Motion Prediction [2.580765958706854]
3次元骨格に基づく運動予測と行動認識は、人間の行動分析における2つの中間課題である。
本稿では, グラフ畳み込みニューラルネットワークとリカレントニューラルネットワークを併用した, 共同動作予測と活動認識のための新しい手法を提案する。
論文 参考訳(メタデータ) (2021-08-03T14:07:10Z) - Learning to Generate Content-Aware Dynamic Detectors [62.74209921174237]
サンプル適応型モデルアーキテクチャを自動的に生成する効率的な検出器の設計を新たに導入する。
動的ルーティングの学習を導くために、オブジェクト検出に適したコースツーファインの成層図を紹介します。
MS-COCOデータセットの実験により、CADDetはバニラルーティングに比べて10%少ないFLOPで1.8以上のmAPを達成することが示された。
論文 参考訳(メタデータ) (2020-12-08T08:05:20Z) - Cross-modality Person re-identification with Shared-Specific Feature
Transfer [112.60513494602337]
クロスモダリティの人物再識別(cm-ReID)は、インテリジェントビデオ分析において難しいが重要な技術である。
モーダリティ共有型特徴伝達アルゴリズム (cm-SSFT) を提案し, モーダリティ共有型情報とモーダリティ固有特性の両方のポテンシャルについて検討する。
論文 参考訳(メタデータ) (2020-02-28T00:18:45Z)
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。