論文の概要: Generalization of Fitness Exercise Recognition from Doppler Measurements by Domain-adaption and Few-Shot Learning

• arxiv url: http://arxiv.org/abs/2311.11910v1
• Date: Mon, 20 Nov 2023 16:40:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-21 17:51:07.936801
• Title: Generalization of Fitness Exercise Recognition from Doppler Measurements by Domain-adaption and Few-Shot Learning
• Title（参考訳）: ドメイン適応と少数ショット学習によるドップラー計測からのフィットネス運動認識の一般化
• Authors: Biying Fu, Naser Damer, Florian Kirchbuchner, and Arjan Kuijper
• Abstract要約: 以前の研究では、未修正の市販オフザシェルフスマートフォンを使用して、全身運動を認識するモバイルアプリケーションを開発した。 このような実験室環境のトレーニングされたモデルを現実的なアプリケーションのバリエーションに適用することは、パフォーマンスを著しく低下させます。 本稿では、フィットネスエクササイズの制御および制御されていないサブセットを持つデータベースを提案する。
• 参考スコア（独自算出の注目度）: 12.238586191793997
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In previous works, a mobile application was developed using an unmodified commercial off-the-shelf smartphone to recognize whole-body exercises. The working principle was based on the ultrasound Doppler sensing with the device built-in hardware. Applying such a lab-environment trained model on realistic application variations causes a significant drop in performance, and thus decimate its applicability. The reason of the reduced performance can be manifold. It could be induced by the user, environment, and device variations in realistic scenarios. Such scenarios are often more complex and diverse, which can be challenging to anticipate in the initial training data. To study and overcome this issue, this paper presents a database with controlled and uncontrolled subsets of fitness exercises. We propose two concepts to utilize small adaption data to successfully improve model generalization in an uncontrolled environment, increasing the recognition accuracy by two to six folds compared to the baseline for different users.
• Abstract（参考訳）: 以前の研究では、未修正の市販オフザシェルフスマートフォンを使用して、全身運動を認識するモバイルアプリケーションを開発した。 動作原理は、内蔵ハードウェアを用いた超音波ドップラーセンシングに基づいていた。 このような実験室環境を訓練したモデルを現実的な応用のバリエーションに適用すると、性能が大幅に低下し、適用性が低下する。 性能低下の原因は多様体である。 現実的なシナリオでは、ユーザ、環境、デバイスのバリエーションによって引き起こされる可能性がある。 このようなシナリオは、多くの場合、より複雑で多様であり、初期トレーニングデータでは予測が難しい。 そこで本研究では,フィットネスエクササイズを制御・制御していないサブセットのデータベースを提案する。 制御されていない環境でのモデル一般化を成功させるために,小型適応データを利用する2つの概念を提案し,異なるユーザに対するベースラインと比較して,認識精度を2倍から6倍に向上させる。

関連論文リスト

• What Makes Pre-Trained Visual Representations Successful for Robust Manipulation? [57.92924256181857]
  照明やシーンテクスチャの微妙な変化の下では,操作や制御作業のために設計された視覚表現が必ずしも一般化されないことがわかった。 創発的セグメンテーション能力は,ViTモデルにおける分布外一般化の強い予測因子であることがわかった。
  論文  参考訳（メタデータ） (2023-11-03T18:09:08Z)
• Efficient Adaptive Human-Object Interaction Detection with Concept-guided Memory [64.11870454160614]
  概念誘導メモリ(ADA-CM)を用いた適応型HOI検出器を提案する。 ADA-CMには2つの操作モードがある。最初のモードでは、トレーニング不要のパラダイムで新しいパラメータを学習することなくチューニングできる。 提案手法は, HICO-DET と V-COCO のデータセットに対して, より少ないトレーニング時間で, 最新技術による競合的な結果を得る。
  論文  参考訳（メタデータ） (2023-09-07T13:10:06Z)
• Modality-invariant Visual Odometry for Embodied Vision [1.7188280334580197]
  ビジュアルオドメトリー(VO)は、信頼性の低いGPSとコンパスセンサーの代替品である。 最近のディープVOモデルは、数百万のサンプルをトレーニングしながら、RGBや深さなどの入力モダリティの固定セットに制限されている。 本稿では,トランスフォーマーをベースとしたモダリティ不変VOアプローチを提案する。
  論文  参考訳（メタデータ） (2023-04-29T21:47:12Z)
• Versatile User Identification in Extended Reality using Pretrained Similarity-Learning [16.356961801884562]
  類似性学習モデルを開発し、“Who Is Alyx?”データセットで事前学習する。 従来の分類学習ベースラインと比較して,本モデルは優れた性能を示す。 本手法は,実運用XRシステムにおける事前学習した動きに基づく識別モデルの容易な統合方法である。
  論文  参考訳（メタデータ） (2023-02-15T08:26:24Z)
• Reducing Impacts of System Heterogeneity in Federated Learning using Weight Update Magnitudes [0.0]
  フェデレートされた学習により、機械学習モデルでは、各ハンドヘルドデバイス上でローカルにトレーニングできると同時に、ニューロンのアップデートをサーバと同期するのみである。 その結果、フェデレーション学習タスクのトレーニング時間は、いくつかの低パフォーマンスストラグラーデバイスによって予測される。 本研究では,その性能と精度のフィードバックに基づいて,トラグラーのサブモデルを動的に形成することにより,フェデレーション学習の性能ボトルネックを軽減することを目的とする。
  論文  参考訳（メタデータ） (2022-08-30T00:39:06Z)
• Continual Predictive Learning from Videos [100.27176974654559]
  本稿では,ビデオ予測の文脈において,新たな連続学習問題について検討する。 本稿では,連続予測学習(Continuousal predictive Learning, CPL)アプローチを提案する。 我々はRoboNetとKTHに基づく2つの新しいベンチマークを構築し、異なるタスクが異なる物理ロボット環境や人間の行動に対応するようにした。
  論文  参考訳（メタデータ） (2022-04-12T08:32:26Z)
• Concept drift detection and adaptation for federated and continual learning [55.41644538483948]
  スマートデバイスは環境から大量のデータを収集することができる。 このデータは機械学習モデルのトレーニングに適しており、その振る舞いを大幅に改善することができる。 そこで本研究では,Concept-Drift-Aware Federated Averagingと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-05-27T17:01:58Z)
• One to Many: Adaptive Instrument Segmentation via Meta Learning and Dynamic Online Adaptation in Robotic Surgical Video [71.43912903508765]
  MDALは、ロボット支援手術における機器セグメンテーションのための動的オンライン適応学習スキームです。 ビデオ固有のメタ学習パラダイムを通じて、楽器の一般的な知識と高速適応能力を学ぶ。 2つのデータセットで他の最先端のメソッドよりも優れています。
  論文  参考訳（メタデータ） (2021-03-24T05:02:18Z)
• GymD2D: A Device-to-Device Underlay Cellular Offload Evaluation Platform [1.5863809575305414]
  GymD2Dはデバイス間通信における物理層リソース割り当て問題の実験フレームワークである。 ユーザは、さまざまなセルラーオフロードシナリオをシミュレートし、その動作を拡張して研究ニーズを満たすことができる。 我々はGymD2Dを最先端の深層強化学習で評価し、これらのアルゴリズムが大幅な効率改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2021-01-27T03:50:22Z)
• Invariant Feature Learning for Sensor-based Human Activity Recognition [11.334750079923428]
  被験者やデバイス間で共有される共通情報を抽出する不変特徴学習フレームワーク(IFLF)を提案する。 実験により、IFLFは、一般的なオープンデータセットと社内データセットをまたいだ主題とデバイスディバージョンの両方を扱うのに効果的であることが示された。
  論文  参考訳（メタデータ） (2020-12-14T21:56:17Z)
• Never Stop Learning: The Effectiveness of Fine-Tuning in Robotic Reinforcement Learning [109.77163932886413]
  本稿では,ロボットによるロボット操作ポリシーを,政治以外の強化学習を通じて微調整することで,新たなバリエーションに適応する方法を示す。 この適応は、タスクをゼロから学習するために必要なデータの0.2%未満を使用する。 事前訓練されたポリシーを適用するという私たちのアプローチは、微調整の過程で大きなパフォーマンス向上につながります。
  論文  参考訳（メタデータ） (2020-04-21T17:57:04Z)

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。