Fugu-MT 論文翻訳(概要): Transportation mode recognition based on low-rate acceleration and location signals with an attention-based multiple-instance learning network

論文の概要: Transportation mode recognition based on low-rate acceleration and location signals with an attention-based multiple-instance learning network

arxiv url: http://arxiv.org/abs/2404.15323v1
Date: Fri, 5 Apr 2024 11:49:48 GMT
ステータス: 処理完了
システム内更新日: 2024-04-28 10:56:51.093248
Title: Transportation mode recognition based on low-rate acceleration and location signals with an attention-based multiple-instance learning network
Title（参考訳）: 注目型マルチインスタンス学習ネットワークを用いた低速度加速度と位置信号に基づく移動モード認識
Authors: Christos Siargkas, Vasileios Papapanagiotou, Anastasios Delopoulos,
Abstract要約: 交通モード認識(TMR)はヒト活動認識(HAR)の重要な構成要素であるそこで本研究では,2種類の信号を有効かつロバストな分類器に組み合わせる手法を提案する。両信号のサンプリングレートが非常に低いので, 電池消費を抑えることができる。
参考スコア（独自算出の注目度）: 4.864246405617091
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Transportation mode recognition (TMR) is a critical component of human activity recognition (HAR) that focuses on understanding and identifying how people move within transportation systems. It is commonly based on leveraging inertial, location, or both types of signals, captured by modern smartphone devices. Each type has benefits (such as increased effectiveness) and drawbacks (such as increased battery consumption) depending on the transportation mode (TM). Combining the two types is challenging as they exhibit significant differences such as very different sampling rates. This paper focuses on the TMR task and proposes an approach for combining the two types of signals in an effective and robust classifier. Our network includes two sub-networks for processing acceleration and location signals separately, using different window sizes for each signal. The two sub-networks are designed to also embed the two types of signals into the same space so that we can then apply an attention-based multiple-instance learning classifier to recognize TM. We use very low sampling rates for both signal types to reduce battery consumption. We evaluate the proposed methodology on a publicly available dataset and compare against other well known algorithms.
Abstract（参考訳）: 交通モード認識(TMR)は、人間の活動認識(HAR)の重要な構成要素であり、交通システム内での人々の移動の理解と識別に焦点を当てている。一般的には、慣性、位置、または両方のタイプの信号を活用することに基づいており、現代のスマートフォンデバイスによってキャプチャされる。各タイプには、輸送モード(TM)に依存する利点(有効性の向上など)と欠点(電池消費の増加など)がある。 2つのタイプを組み合わせることは、非常に異なるサンプリングレートのような大きな違いを示すため、難しい。本稿では,TMRタスクに着目し,この2種類の信号を効果的かつロバストな分類器に組み合わせる手法を提案する。我々のネットワークには、アクセラレーションと位置情報を個別に処理するための2つのサブネットワークがあり、それぞれの信号に対して異なるウィンドウサイズを使用する。 2つのサブネットワークは、2種類の信号を同じ空間に埋め込んで、注意に基づくマルチインスタンス学習分類器を適用してTMを認識するように設計されている。両信号のサンプリングレートが非常に低いので, 電池消費を抑えることができる。提案手法を公開データセット上で評価し,他のよく知られたアルゴリズムと比較する。

関連論文リスト

Joint Signal Detection and Automatic Modulation Classification via Deep Learning [34.580846369146435]
本稿では,現実的かつ複雑なシナリオを考慮した共同信号検出と自動変調分類(AMC)について検討する。このような複数信号共存環境に対する検出・分類(JDM)のための共同フレームワークを提案する。私たちのコードとデータセットはオープンソースとして利用可能です。
論文参考訳（メタデータ） (2024-04-29T15:40:19Z)
SigFormer: Sparse Signal-Guided Transformer for Multi-Modal Human Action Segmentation [34.176963661707696]
信号誘導変換器(SigFormer)を導入し,高密度信号とスパース信号を組み合わせた。スパース信号は離散的であるため、時間的作用境界に関する十分な情報がない。 SigFormerは、実産業環境からのマルチモーダルアクションセグメンテーションデータセットにおける最先端のアプローチよりも優れています。
論文参考訳（メタデータ） (2023-11-29T08:09:01Z)
FIS-ONE: Floor Identification System with One Label for Crowdsourced RF Signals [14.534245590261763]
FIS-ONEは、ラベル付きサンプルが1つしかない新しいフロア識別システムである。まず、RF信号のサンプルをモデル化し、各ノードの潜在表現を得る。そして、アクセスポイントからの信号が異なるフロアで検出可能であるという観察を活用することにより、クラスタを適切なフロアラベルでインデックス化する問題に取り組む。
論文参考訳（メタデータ） (2023-07-12T04:43:59Z)
Multi-task Learning for Radar Signal Characterisation [48.265859815346985]
本稿では,マルチタスク学習(MTL)問題として,レーダ信号の分類と特徴化に取り組むためのアプローチを提案する。本稿では,複数のレグレッションタスクと分類タスクを同時最適化するIQST(IQ Signal Transformer)を提案する。合成レーダデータセット上で提案したMTLモデルの性能を示すとともに,レーダ信号の特徴付けのための一級ベンチマークも提供する。
論文参考訳（メタデータ） (2023-06-19T12:01:28Z)
Bandwidth-efficient distributed neural network architectures with application to body sensor networks [73.02174868813475]
本稿では,分散ニューラルネットワークアーキテクチャを設計するための概念設計手法について述べる。提案手法により,損失を最小限に抑えつつ,最大20倍の帯域幅削減が可能となることを示す。本稿では,ウェアラブル脳-コンピュータインタフェースに焦点をあてるが,他のセンサネットワークアプリケーションにも適用できる。
論文参考訳（メタデータ） (2022-10-14T12:35:32Z)
Learning to Perform Downlink Channel Estimation in Massive MIMO Systems [72.76968022465469]
大規模マルチインプット・マルチアウトプット(MIMO)システムにおけるダウンリンク(DL)チャネル推定について検討する。一般的なアプローチは、チャネル硬化によって動機付けられた推定値として平均値を使用することである。本稿では2つの新しい推定法を提案する。
論文参考訳（メタデータ） (2021-09-06T13:42:32Z)
A Novel Anomaly Detection Algorithm for Hybrid Production Systems based on Deep Learning and Timed Automata [73.38551379469533]
DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
論文参考訳（メタデータ） (2020-10-29T08:27:43Z)
Anchor-free Small-scale Multispectral Pedestrian Detection [88.7497134369344]
適応型単一段アンカーフリーベースアーキテクチャにおける2つのモードの効果的かつ効率的な多重スペクトル融合法を提案する。我々は,直接的境界ボックス予測ではなく,対象の中心と規模に基づく歩行者表現の学習を目指す。その結果,小型歩行者の検出における本手法の有効性が示唆された。
論文参考訳（メタデータ） (2020-08-19T13:13:01Z)
Detection of gravitational-wave signals from binary neutron star mergers using machine learning [52.77024349608834]
本稿では,重力波検出器の時系列ひずみデータを用いたニューラルネットワークに基づく機械学習アルゴリズムを提案する。信号対雑音比が25未満の信号に対する感度は6因子改善した。保守的な推定は、我々のアルゴリズムが信号の到着からアラート発生までの平均10.2秒の遅延を発生させることを示している。
論文参考訳（メタデータ） (2020-06-02T10:20:11Z)
Spectrum Sensing and Signal Identification with Deep Learning based on Spectral Correlation Function [2.6626788331762867]
スペクトル相関関数を用いた畳み込みニューラルネットワーク(CNN)モデルを提案する。提案手法は,事前情報のない無線信号を分類し,CASE1とCASE2という2つの異なる設定で実装する。この実装はセルシグナルを超越したものの、提案手法はサイクロ定常特性を示す任意の信号の検出と分類にまで拡張することができる。
論文参考訳（メタデータ） (2020-03-17T06:56:26Z)

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。