論文の概要: Meta-Decomposition: Dynamic Segmentation Approach Selection in IoT-based Activity Recognition
- arxiv url: http://arxiv.org/abs/2404.11742v1
- Date: Wed, 17 Apr 2024 20:50:28 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-19 13:30:32.948891
- Title: Meta-Decomposition: Dynamic Segmentation Approach Selection in IoT-based Activity Recognition
- Title（参考訳）: メタ分解:IoTに基づくアクティビティ認識における動的セグメンテーションアプローチの選択
- Authors: Seyed M. R. Modaresi, Aomar Osmani, Mohammadreza Razzazi, Abdelghani Chibani,
- Abstract要約: IoT(Internet of Things)デバイスは、時間とともに異種データを生成する。
IoTベースのアクティビティ認識を含む多くのIoTアプリケーションは、個々のイベントの制限に対処し、プロセスの合理化を目指している。
しかし、このステップは制御不能なバイアスの少なくとも2つのファミリーを導入する。
本稿では,分解問題の特別な場合として,分解問題を再定義することを提案する。
- 参考スコア（独自算出の注目度）: 6.887244952811574
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Internet of Things (IoT) devices generate heterogeneous data over time; and relying solely on individual data points is inadequate for accurate analysis. Segmentation is a common preprocessing step in many IoT applications, including IoT-based activity recognition, aiming to address the limitations of individual events and streamline the process. However, this step introduces at least two families of uncontrollable biases. The first is caused by the changes made by the segmentation process on the initial problem space, such as dividing the input data into 60 seconds windows. The second category of biases results from the segmentation process itself, including the fixation of the segmentation method and its parameters. To address these biases, we propose to redefine the segmentation problem as a special case of a decomposition problem, including three key components: a decomposer, resolutions, and a composer. The inclusion of the composer task in the segmentation process facilitates an assessment of the relationship between the original problem and the problem after the segmentation. Therefore, It leads to an improvement in the evaluation process and, consequently, in the selection of the appropriate segmentation method. Then, we formally introduce our novel meta-decomposition or learning-to-decompose approach. It reduces the segmentation biases by considering the segmentation as a hyperparameter to be optimized by the outer learning problem. Therefore, meta-decomposition improves the overall system performance by dynamically selecting the appropriate segmentation method without including the mentioned biases. Extensive experiments on four real-world datasets demonstrate the effectiveness of our proposal.
- Abstract（参考訳）: モノのインターネット(IoT)デバイスは、時間とともに異種データを生成する。
セグメンテーションは、IoTベースのアクティビティ認識を含む多くのIoTアプリケーションにおける一般的な前処理ステップであり、個々のイベントの制限に対処し、プロセスを合理化することを目的としている。
しかし、このステップは制御不能なバイアスの少なくとも2つのファミリーを導入する。
1つ目は、入力データを60秒のウィンドウに分割するなど、初期問題空間におけるセグメンテーションプロセスによる変更によって引き起こされる。
バイアスの第2のカテゴリは、セグメンテーション法とそのパラメータの固定を含むセグメンテーションプロセス自体から生じる。
これらのバイアスに対処するために,分解問題の特別な場合として分割問題を再定義することを提案する。
セグメンテーションプロセスに作曲家タスクを組み込むことは、セグメンテーション後の元の問題と問題との関係を評価するのに役立つ。
そのため, 評価プロセスの改善と, 適切なセグメンテーション法の選択に繋がる。
そこで我々は,新しいメタ分解・学習分解アプローチを正式に導入する。
外部学習問題によって最適化されるハイパーパラメータとしてセグメンテーションを考えることにより、セグメンテーションバイアスを低減する。
したがって、メタ分解は、上記バイアスを含まずに適切なセグメンテーション法を動的に選択することにより、システム全体の性能を向上させる。
4つの実世界のデータセットに対する大規模な実験により,提案手法の有効性が示された。
関連論文リスト
- A Bottom-Up Approach to Class-Agnostic Image Segmentation [4.086366531569003]
本稿では,クラスに依存しないセグメンテーション問題に対処するためのボトムアップの新たな定式化を提案する。
我々は、その特徴空間の射影球に直接ネットワークを監督する。
ボトムアップの定式化は、クラスベースのセグメンテーション用に設計されたデータセットで訓練された場合でも、例外的な一般化能力を示す。
論文 参考訳（メタデータ） (2024-09-20T17:56:02Z) - Embodied Uncertainty-Aware Object Segmentation [38.52448300879023]
本研究では,不確実性を考慮したオブジェクトインスタンスセグメンテーション(UncOS)を導入し,対話型セグメンテーションの有用性を示す。
本研究では,大容量事前学習モデルの複数問合せを行うことにより,信頼度推定とともに,領域分割仮説の集合を得る。
アウトプットは、ロボットアクションを選択し、シーンを混乱させ、あいまいさを減らす、信念駆動のプロセスへの入力としても機能する。
論文 参考訳（メタデータ） (2024-08-08T21:29:22Z) - Appearance-Based Refinement for Object-Centric Motion Segmentation [85.2426540999329]
本稿では,ビデオストリームの時間的一貫性を利用して,不正確なフローベース提案を補正する外観に基づく改善手法を提案する。
提案手法では,高精度なフロー予測マスクを模範として,シーケンスレベルの選択機構を用いる。
パフォーマンスは、DAVIS、YouTube、SegTrackv2、FBMS-59など、複数のビデオセグメンテーションベンチマークで評価されている。
論文 参考訳（メタデータ） (2023-12-18T18:59:51Z) - 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) - Exploring Cycle Consistency Learning in Interactive Volume Segmentation [39.000842538436714]
我々は2つの切り離されたモジュール(インタラクション・ツー・セグメンテーションとセグメンテーションの伝搬)を介して医療ボリュームセグメンテーションに対話的にアプローチする。
本稿では、開始スライス中の正確なセグメンテーションを参照することにより、中間セグメンテーションを規則化する、シンプルで効果的なサイクル整合損失を提案する。
サイクル整合性トレーニングでは、伝播ネットワークは標準のフォワードオンリーのトレーニングアプローチよりも規則化された。
論文 参考訳（メタデータ） (2023-03-11T20:25:05Z) - Temporal Segment Transformer for Action Segmentation [54.25103250496069]
本稿では,テキスト・セグメント・トランスフォーマ (textittemporal segment transformer) と呼ぶアテンション・ベース・アプローチを提案する。
主な考え方は、セグメントとフレームの間の注意を用いてセグメント表現を識別することであり、またセグメント間の時間的相関を捉えるためにセグメント間注意を用いる。
このアーキテクチャは,50Salads,GTEA,Breakfastのベンチマークにおいて,最先端の精度を実現していることを示す。
論文 参考訳（メタデータ） (2023-02-25T13:05:57Z) - A Survey on Label-efficient Deep Segmentation: Bridging the Gap between
Weak Supervision and Dense Prediction [115.9169213834476]
本稿では,ラベル効率の高いセグメンテーション手法について概説する。
まず,様々な種類の弱いラベルによって提供される監督に従って,これらの手法を整理する分類法を開発する。
次に,既存のラベル効率のセグメンテーション手法を統一的な視点から要約する。
論文 参考訳（メタデータ） (2022-07-04T06:21:01Z) - SegmentMeIfYouCan: A Benchmark for Anomaly Segmentation [111.61261419566908]
ディープニューラルネットワーク(DNN)は通常、閉集合のセマンティッククラスで訓練される。
未発見のオブジェクトを扱うには不備だ。
このような物体の検出と局在化は、自動運転の認識などの安全クリティカルなアプリケーションに不可欠です。
論文 参考訳（メタデータ） (2021-04-30T07:58:19Z) - Target-Aware Object Discovery and Association for Unsupervised Video
Multi-Object Segmentation [79.6596425920849]
本稿では,教師なしビデオマルチオブジェクトセグメンテーションの課題について述べる。
より正確で効率的な時間区分のための新しいアプローチを紹介します。
DAVIS$_17$とYouTube-VISに対する提案手法を評価した結果,セグメント化精度と推論速度の両方において最先端の手法より優れていることが示された。
論文 参考訳（メタデータ） (2021-04-10T14:39:44Z) - Deep Variational Instance Segmentation [7.334808870313923]
State-of-the-artアルゴリズムは、しばしば2つの別々のステージを使用し、最初の1つはオブジェクトの提案を生成し、もう1つは境界を認識して修正する。
完全畳み込みネットワーク(FCN)を直接利用して,インスタンスラベルを予測する新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-07-22T17:57:49Z)
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。