Fugu-MT 論文翻訳(概要): rTsfNet: a DNN model with Multi-head 3D Rotation and Time Series Feature Extraction for IMU-based Human Activity Recognition

論文の概要: rTsfNet: a DNN model with Multi-head 3D Rotation and Time Series Feature Extraction for IMU-based Human Activity Recognition

arxiv url: http://arxiv.org/abs/2310.19283v1
Date: Mon, 30 Oct 2023 05:51:50 GMT
ステータス: 処理完了
システム内更新日: 2023-11-01 21:35:52.725728
Title: rTsfNet: a DNN model with Multi-head 3D Rotation and Time Series Feature Extraction for IMU-based Human Activity Recognition
Title（参考訳）: rTsfNet: マルチヘッド3次元回転と時系列特徴抽出による人間活動認識のためのDNNモデル
Authors: Yu Enokibori
Abstract要約: 本稿では、IMUに基づく人間活動認識(HAR)のための新しいDNNモデルとしてrTsfNetを提案する。 rTsfNetはDNN内で3D回転パラメータを導出することで特徴を導出する3Dベースを自動的に選択する。時系列特徴(TSF)を導出し,UCIを用いてHARを実現する。
参考スコア（独自算出の注目度）: 0.7605563562103568
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper proposes rTsfNet, a DNN model with Multi-head 3D Rotation and Time Series Feature Extraction, as a new DNN model for IMU-based human activity recognition (HAR). rTsfNet automatically selects 3D bases from which features should be derived by deriving 3D rotation parameters within the DNN. Then, time series features (TSFs), the wisdom of many researchers, are derived and realize HAR using MLP. Although a model that does not use CNN, it achieved the highest accuracy than existing models under well-managed benchmark conditions and multiple datasets: UCI HAR, PAMAP2, Daphnet, and OPPORTUNITY, which target different activities.
Abstract（参考訳）: 本稿では,Multi-head 3D Rotation and Time Series Feature extractを用いたDNNモデルであるrTsfNetを,IMUに基づく人間活動認識(HAR)のための新しいDNNモデルとして提案する。 rTsfNetはDNN内で3D回転パラメータを導出することで特徴を導出する3Dベースを自動的に選択する。そして、多くの研究者の知恵である時系列特徴(TSF)を導出し、MLPを用いてHARを実現する。 CNNを使用しないモデルは、よく管理されたベンチマーク条件と複数のデータセット(UCI HAR、PAMAP2、Daphnet、OPPORTUNITY)の下で既存のモデルよりも高い精度を達成した。

関連論文リスト

DeepLINK-T: deep learning inference for time series data using knockoffs and LSTM [7.831716013866564]
本研究では,時系列データ(DeepLink-T)に対するノックオフを用いた新しいディープラーニング推論手法を提案する。これは、所定のレベルで偽発見率(FDR)を制御しながら、回帰において重要な時系列変数の選択に焦点を当てる。 DeepLink-Tの3つの重要な要素は、1)時系列のノックオフ変数を生成するLong Short-Term Memory(LSTM)オートエンコーダ、2)オリジナル変数とノックオフ変数の両方を使用したLSTM予測ネットワーク、3)FDR制御による変数選択のためのノックオフフレームワークの適用である。
論文参考訳（メタデータ） (2024-04-05T17:47:50Z)
A hybrid IndRNNLSTM approach for real-time anomaly detection in software-defined networks [0.0]
データフロー予測を用いたSDNの異常検出は難しい作業である。 IndRNNLSTMアルゴリズムは Embedded と組み合わせて、NSL-KDDデータ上で MAE=1.22 と RMSE=9.92 を達成することができた。
論文参考訳（メタデータ） (2024-02-02T20:41:55Z)
Equivariant Graph Neural Operator for Modeling 3D Dynamics [148.98826858078556]
我々は,次のステップの予測ではなく,ダイナミックスを直接トラジェクトリとしてモデル化するために,Equivariant Graph Neural Operator (EGNO)を提案する。 EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
論文参考訳（メタデータ） (2024-01-19T21:50:32Z)
3DiffTection: 3D Object Detection with Geometry-Aware Diffusion Features [70.50665869806188]
3DiffTectionは、単一の画像から3Dオブジェクトを検出する最先端の方法である。拡散モデルを微調整し、単一の画像に条件付けされた新しいビュー合成を行う。さらに、検出監視により、ターゲットデータ上でモデルをトレーニングする。
論文参考訳（メタデータ） (2023-11-07T23:46:41Z)
HARFLOW3D: A Latency-Oriented 3D-CNN Accelerator Toolflow for HAR on FPGA Devices [71.45672882756001]
本研究では,3次元畳み込みニューラルネットワークをFPGAにマッピングするための,新しいストリーミングアーキテクチャベースのツールフローを提案する。 HARFLOW3Dツールフローは、ONNXフォーマットで3D CNNを入力し、FPGAの特性を記述する。ツールフローが幅広いモデルやデバイスをサポートする能力は、様々な3D CNNとFPGAシステムペアに関する数多くの実験を通して示される。
論文参考訳（メタデータ） (2023-03-30T08:25:27Z)
Gait Recognition in the Wild with Multi-hop Temporal Switch [81.35245014397759]
野生での歩行認識は、より実践的な問題であり、マルチメディアとコンピュータビジョンのコミュニティの注目を集めています。本稿では,現実のシーンにおける歩行パターンの効果的な時間的モデリングを実現するために,新しいマルチホップ時間スイッチ方式を提案する。
論文参考訳（メタデータ） (2022-09-01T10:46:09Z)
PDO-s3DCNNs: Partial Differential Operator Based Steerable 3D CNNs [69.85869748832127]
本研究では、3Dフィルタをモデル化するために偏微分演算子(PDO)を用い、PDO-s3DCNNと呼ばれる一般的な3D CNNを導出する。等変フィルタは線形制約の対象であり, 様々な条件下で効率的に解けることを示す。
論文参考訳（メタデータ） (2022-08-07T13:37:29Z)
Deep Generative model with Hierarchical Latent Factors for Time Series Anomaly Detection [40.21502451136054]
本研究は、時系列異常検出のための新しい生成モデルであるDGHLを提示する。トップダウンの畳み込みネットワークは、新しい階層的な潜在空間を時系列ウィンドウにマッピングし、時間ダイナミクスを利用して情報を効率的にエンコードする。提案手法は,4つのベンチマーク・データセットにおいて,現在の最先端モデルよりも優れていた。
論文参考訳（メタデータ） (2022-02-15T17:19:44Z)
Rank-R FNN: A Tensor-Based Learning Model for High-Order Data Classification [69.26747803963907]
Rank-R Feedforward Neural Network (FNN)は、そのパラメータにCanonical/Polyadic分解を課すテンソルベースの非線形学習モデルである。まず、入力をマルチリニアアレイとして扱い、ベクトル化の必要性を回避し、すべてのデータ次元に沿って構造情報を十分に活用することができる。 Rank-R FNNの普遍的な近似と学習性の特性を確立し、実世界のハイパースペクトルデータセットのパフォーマンスを検証する。
論文参考訳（メタデータ） (2021-04-11T16:37:32Z)
Feature Selection for Multivariate Time Series via Network Pruning [2.2559617939136505]
MTSデータの特徴選択のためのエンドツーエンドソリューションとして,ニューラル・フィーチャー・セレクタ(NFS)と呼ばれる新しいニューラル・コンポーネントを提案する。 NFSは畳み込み設計に基づいており、2つのモジュールを含んでいる。提案したNFSモデルを実世界の4つのMSSデータセット上で評価した結果,最先端の手法で同等の結果が得られることがわかった。
論文参考訳（メタデータ） (2021-02-11T14:33:39Z)
NL-CNN: A Resources-Constrained Deep Learning Model based on Nonlinear Convolution [0.0]
NL-CNNと略される新しい畳み込みニューラルネットワークモデルが提案され、非線型畳み込みは畳み込み+非線形性層のカスケードでエミュレートされる。いくつかの広く知られているデータセットのパフォーマンス評価が提供され、いくつかの関連する特徴を示している。
論文参考訳（メタデータ） (2021-01-30T13:38:42Z)

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。