論文の概要: Temporal Action Localization for Inertial-based Human Activity
Recognition
- arxiv url: http://arxiv.org/abs/2311.15831v1
- Date: Mon, 27 Nov 2023 13:55:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-28 15:05:41.648741
- Title: Temporal Action Localization for Inertial-based Human Activity
Recognition
- Title(参考訳): 慣性に基づく人間活動認識のための時間的行動定位
- Authors: Marius Bock, Michael Moeller, Kristof Van Laerhoven
- Abstract要約: 本稿では,ウェアラブル型ヒューマンアクティビティ・リコンジション(HAR)における最先端のTALモデルの適用性を体系的に実証した最初の例である。
以上の結果から,現在最先端のTALモデルは,6つのウェアラブルアクティビティ認識ベンチマークデータセットのうち4つにおいて,一般的な慣性モデルより優れています。
- 参考スコア(独自算出の注目度): 11.181480605664438
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: A persistent trend in Deep Learning has been the applicability of machine
learning concepts to other areas than originally introduced for. As of today,
state-of-the-art activity recognition from wearable sensors relies on
classifiers being trained on fixed windows of data. Contrarily, video-based
Human Activity Recognition has followed a segment-based prediction approach,
localizing activity occurrences from start to end. This paper is the first to
systematically demonstrate the applicability of state-of-the-art TAL models for
wearable Human Activity Recongition (HAR) using raw inertial data as input. Our
results show that state-of-the-art TAL models are able to outperform popular
inertial models on 4 out of 6 wearable activity recognition benchmark datasets,
with improvements ranging as much as 25% in F1-score. Introducing the TAL
community's most popular metric to inertial-based HAR, namely mean Average
Precision, our analysis shows that TAL models are able to produce more coherent
segments along with an overall higher NULL-class accuracy across all datasets.
Being the first to provide such an analysis, the TAL community offers an
interesting new perspective to inertial-based HAR with yet to be explored
design choices and training concepts, which could be of significant value for
the inertial-based HAR community.
- Abstract(参考訳): ディープラーニングにおける永続的な傾向は、もともと導入されていた他の分野への機械学習の概念の適用性である。
今日では、ウェアラブルセンサーによる最先端のアクティビティ認識は、データの固定ウィンドウで訓練される分類器に依存している。
ビデオベースのヒューマンアクティビティ認識は、開始から終了までのアクティビティをローカライズするセグメントベースの予測アプローチに従っている。
本稿では,生慣性データを入力として用いたウェアラブルヒューマンアクティビティ・リコンジション(HAR)における最先端のTALモデルの適用性を,初めて体系的に実証した。
その結果、最先端のtalモデルは6つのウェアラブルアクティビティ認識ベンチマークデータセットのうち4つで一般的な慣性モデルよりも優れており、f1-scoreでは最大25%の改善が見られた。
talコミュニティで最もポピュラーなメトリックである平均精度(平均精度)を導入することで、talモデルがすべてのデータセットにまたがる全体的なnullクラス精度とともに、よりコヒーレントなセグメントを生成できることが分かりました。
このような分析を最初に提供したTALコミュニティは、慣性ベースのHARに対して興味深い新たな視点を提供し、設計選択やトレーニングの概念はまだ検討されていないが、慣性ベースのHARコミュニティにとって重要な価値を持つ可能性がある。
関連論文リスト
- Iterative Data Smoothing: Mitigating Reward Overfitting and
Overoptimization in RLHF [79.98542868281471]
強化学習(Reinforcement Learning from Human Feedback, RLHF)は、言語モデルを人間中心の値と密接に整合させる手法である。
学習した報奨モデルに対して過度に最適化すると、最終的には真の目的が損なわれることが観察された。
本稿では、これらの問題を考察し、「Iterative Data Smoothing」(IDS)と呼ばれる改良された報酬学習アルゴリズムの設計に理論的知見を活用する。
論文 参考訳(メタデータ) (2024-01-29T17:43:42Z) - Standardizing Your Training Process for Human Activity Recognition
Models: A Comprehensive Review in the Tunable Factors [4.199844472131922]
ウェアラブルヒューマンアクティビティ認識(WHAR)分野における現代ディープラーニング研究の総括的レビューを行う。
この結果から,モデルトレーニングプロトコルが提供する詳細が欠如していることが示唆された。
分析から得られた知見をもとに,WHARモデルに適合した新たな統合トレーニング手順を定義する。
論文 参考訳(メタデータ) (2024-01-10T17:45:28Z) - PILOT: A Pre-Trained Model-Based Continual Learning Toolbox [71.63186089279218]
本稿では,PILOTとして知られるモデルベース連続学習ツールボックスについて紹介する。
一方、PILOTはL2P、DualPrompt、CODA-Promptといった事前学習モデルに基づいて、最先端のクラスインクリメンタル学習アルゴリズムを実装している。
一方、PILOTは、事前学習されたモデルの文脈に典型的なクラス増分学習アルゴリズムを適合させ、それらの効果を評価する。
論文 参考訳(メタデータ) (2023-09-13T17:55:11Z) - ALP: Action-Aware Embodied Learning for Perception [60.64801970249279]
認知のための行動認識型身体学習(ALP)について紹介する。
ALPは、強化学習ポリシーと逆ダイナミクス予測目標を最適化することにより、行動情報を表現学習に組み込む。
ALPは、複数の下流認識タスクにおいて、既存のベースラインよりも優れていることを示す。
論文 参考訳(メタデータ) (2023-06-16T21:51:04Z) - Towards Learning Discrete Representations via Self-Supervision for
Wearables-Based Human Activity Recognition [7.086647707011785]
ウェアラブルコンピューティングにおけるヒューマンアクティビティ認識(HAR)は、通常、センサーデータの直接処理に基づいている。
ウェアラブルアプリケーションへのベクトル量子化(VQ)の最近の進歩により、センサデータの短いスパンとベクトルのコードブックのマッピングを直接学習できるようになりました。
この研究は、離散表現がいかに効果的に導出できるかを示すための概念実証を示す。
論文 参考訳(メタデータ) (2023-06-01T19:49:43Z) - Human Activity Recognition Using Self-Supervised Representations of
Wearable Data [0.0]
HAR(Human Activity Recognition)のための正確なアルゴリズムの開発は、大規模な実世界のラベル付きデータセットの欠如によって妨げられている。
ここでは、トレーニング中に見えない実世界のデータセットで評価した場合、高い性能を有する6クラスHARモデルを開発する。
論文 参考訳(メタデータ) (2023-04-26T07:33:54Z) - TWINS: A Fine-Tuning Framework for Improved Transferability of
Adversarial Robustness and Generalization [89.54947228958494]
本稿では,様々な分類タスクにおいて,逆向きに事前訓練されたモデルの微調整に焦点を当てる。
本稿では,TWINS(Two-WIng NormliSation)ファインチューニングフレームワークを提案する。
TWINSは、一般化とロバスト性の両方の観点から、幅広い画像分類データセットに有効であることが示されている。
論文 参考訳(メタデータ) (2023-03-20T14:12:55Z) - Graph Neural Network based Child Activity Recognition [6.423239719448169]
本稿では,グラフ畳み込みネットワーク(GCN)に基づく深層学習モデルを用いた児童活動認識(CAR)の実装について述べる。
特徴抽出法と微調整法により、精度は20%-30%向上し、最高精度は82.24%となった。
論文 参考訳(メタデータ) (2022-12-18T05:07:11Z) - 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) - Enhancing the Generalization for Intent Classification and Out-of-Domain
Detection in SLU [70.44344060176952]
インテント分類は、音声言語理解(SLU)における主要な課題である
近年の研究では、余分なデータやラベルを使用することで、OOD検出性能が向上することが示されている。
本稿では、IND意図分類とOOD検出の両方をサポートしながら、INDデータのみを用いてモデルを訓練することを提案する。
論文 参考訳(メタデータ) (2021-06-28T08:27:38Z) - Attention-Based Deep Learning Framework for Human Activity Recognition
with User Adaptation [5.629161809575013]
センサに基づく人間活動認識(HAR)は、センサ生成時系列データに基づいて人の行動を予測する必要がある。
純粋に注意に基づくメカニズムに基づく新しいディープラーニングフレームワーク、algnameを提案する。
提案した注目に基づくアーキテクチャは,従来のアプローチよりもはるかに強力であることを示す。
論文 参考訳(メタデータ) (2020-06-06T09:26:07Z)
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。