論文の概要: Maintenance Required: Updating and Extending Bootstrapped Human Activity Recognition Systems for Smart Homes
- arxiv url: http://arxiv.org/abs/2406.14446v1
- Date: Thu, 20 Jun 2024 16:08:40 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-21 12:52:55.908098
- Title: Maintenance Required: Updating and Extending Bootstrapped Human Activity Recognition Systems for Smart Homes
- Title（参考訳）: スマートホームのためのブートストラップ付き人間行動認識システムの更新と拡張に必要なメンテナンス
- Authors: Shruthi K. Hiremath, Thomas Ploetz,
- Abstract要約: 市販のHARシステムは、個々の家庭の限られた能力に有効である。
以前の作業は、最初のフェーズを目標にしました。
ブートストラップ付きHARシステム上に構築し,効率的な更新・拡張手順を導入する。
- 参考スコア（独自算出の注目度）: 0.11029371407785957
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Developing human activity recognition (HAR) systems for smart homes is not straightforward due to varied layouts of the homes and their personalized settings, as well as idiosyncratic behaviors of residents. As such, off-the-shelf HAR systems are effective in limited capacity for an individual home, and HAR systems often need to be derived "from scratch", which comes with substantial efforts and often is burdensome to the resident. Previous work has successfully targeted the initial phase. At the end of this initial phase, we identify seed points. We build on bootstrapped HAR systems and introduce an effective updating and extension procedure for continuous improvement of HAR systems with the aim of keeping up with ever changing life circumstances. Our method makes use of the seed points identified at the end of the initial bootstrapping phase. A contrastive learning framework is trained using these seed points and labels obtained for the same. This model is then used to improve the segmentation accuracy of the identified prominent activities. Improvements in the activity recognition system through this procedure help model the majority of the routine activities in the smart home. We demonstrate the effectiveness of our procedure through experiments on the CASAS datasets that show the practical value of our approach.
- Abstract（参考訳）: スマートホームのためのヒューマンアクティビティ認識(HAR)システムの開発は、家庭のレイアウトやパーソナライズされた設定、住民の慣用的行動などにより容易ではない。
したがって、市販のHARシステムは個々の家庭の限られた収容能力に有効であり、HARシステムは「スクラッチから」引き出されることがしばしばであり、これはかなりの努力が伴い、しばしば住民にとって負担となる。
以前の作業は、最初のフェーズを目標にしました。
この初期段階の最後にシードポイントを同定する。
我々は,自己資金で構築したHARシステム上に構築し,生活環境の変化に追従することを目的とした,HARシステムの継続的改善のための効果的な更新・拡張手順を導入する。
本手法では,初期ブートストラッピングフェーズの最後に同定されたシードポイントを利用する。
これらのシードポイントとラベルを使って、対照的な学習フレームワークをトレーニングする。
このモデルは、特定された顕著なアクティビティのセグメンテーション精度を向上させるために使用される。
この手法による活動認識システムの改善は、スマートホームにおける日常活動の大部分をモデル化するのに役立つ。
提案手法の有効性を示すCASASデータセットの実験により,提案手法の有効性を実証する。
関連論文リスト
- Towards Robust Continual Learning with Bayesian Adaptive Moment Regularization [51.34904967046097]
継続的な学習は、モデルが以前に学習した情報を忘れてしまう破滅的な忘れ込みの課題を克服しようとする。
本稿では,パラメータ成長の制約を緩和し,破滅的な忘れを減らし,新しい事前手法を提案する。
以上の結果から, BAdamは, 単頭クラスインクリメンタル実験に挑戦する先行手法に対して, 最先端の性能を達成できることが示唆された。
論文 参考訳（メタデータ） (2023-09-15T17:10:51Z) - A Domain-Agnostic Approach for Characterization of Lifelong Learning
Systems [128.63953314853327]
「生涯学習」システムには,1)継続的学習,2)伝達と適応,3)拡張性があります。
この一連のメトリクスは、様々な複雑な生涯学習システムの開発に役立てることができることを示す。
論文 参考訳（メタデータ） (2023-01-18T21:58:54Z) - Learning Goal-Conditioned Policies Offline with Self-Supervised Reward
Shaping [94.89128390954572]
本稿では,モデルの構造と力学を理解するために,事前収集したデータセット上に,新たな自己教師型学習フェーズを提案する。
提案手法を3つの連続制御タスクで評価し,既存手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-01-05T15:07:10Z) - TASKED: Transformer-based Adversarial learning for human activity
recognition using wearable sensors via Self-KnowledgE Distillation [6.458496335718508]
本稿では,TASKED(Self-KnowledgE Distillation)を用いたウェアラブルセンサを用いた,トランスフォーマーに基づく人間行動認識のための新しい逆学習フレームワークを提案する。
提案手法では,教師なしの自己知識蒸留を採用し,訓練手順の安定性と人間の活動認識性能を向上させる。
論文 参考訳（メタデータ） (2022-09-14T11:08:48Z) - Context-Aware Sequence Alignment using 4D Skeletal Augmentation [67.05537307224525]
コンピュータビジョン、ロボティクス、混合現実の多くの応用において、ビデオにおける人間の行動の微粒化の時間的アライメントが重要である。
本稿では,アクションのシーケンスを整列するコンテキスト認識型自己教師型学習アーキテクチャを提案する。
特に、CASAは、人間の行動の空間的・時間的文脈を組み込むために、自己注意と相互注意のメカニズムを採用している。
論文 参考訳（メタデータ） (2022-04-26T10:59:29Z) - Assessing the State of Self-Supervised Human Activity Recognition using
Wearables [6.777825307593778]
ウェアラブル型ヒューマンアクティビティ認識(HAR)分野における自己指導型学習
自己組織化されたメソッドは、例えば、ドメイン適応やセンサー位置、アクティビティ間の転送など、新しいアプリケーションドメインのホストを可能にする。
論文 参考訳（メタデータ） (2022-02-22T02:21:50Z) - Continually Learning Self-Supervised Representations with Projected
Functional Regularization [39.92600544186844]
近年の自己教師あり学習手法は高品質な画像表現を学習でき、教師ありの手法でギャップを埋めている。
これらの手法は、新たな知識を段階的に取得することができない -- 実際、主にIDデータによる事前学習フェーズとしてのみ使用される。
従来の知識を忘れないように,機能正規化の利用を提案する。
論文 参考訳（メタデータ） (2021-12-30T11:59:23Z) - Explainable Activity Recognition for Smart Home Systems [9.909901668370589]
我々は、説明可能な活動認識フレームワークを開発するために、説明可能な人工知能(XAI)技術からの洞察に基づいて構築する。
以上の結果から,XAI アプローチ SHAP は 92% の成功率を持つことが明らかとなった。
サンプルシナリオの83%では、ユーザは単純なアクティビティラベルよりも自然言語の説明を好む。
論文 参考訳（メタデータ） (2021-05-20T14:35:51Z) - Contrastive Predictive Coding for Human Activity Recognition [5.766384728949437]
本研究では,センサデータストリームの長期的時間構造をキャプチャする人間行動認識にContrastive Predictive Codingフレームワークを導入する。
CPCベースの事前学習は自己管理され、その結果得られた表現は標準のアクティビティチェーンに統合できる。
少量のラベル付きトレーニングデータしか利用できない場合、認識性能が大幅に向上します。
論文 参考訳（メタデータ） (2020-12-09T21:44:36Z) - Intra- and Inter-Action Understanding via Temporal Action Parsing [118.32912239230272]
本研究では,スポーツビデオにサブアクションの手動アノテーションを付加した新しいデータセットを構築し,その上に時間的行動解析を行う。
スポーツ活動は通常、複数のサブアクションから構成されており、このような時間構造に対する意識は、行動認識に有益であることを示す。
また,時間的解析手法を多数検討し,そのラベルを知らずにトレーニングデータからサブアクションをマイニングできる改良手法を考案した。
論文 参考訳（メタデータ） (2020-05-20T17:45:18Z) - Recall and Learn: Fine-tuning Deep Pretrained Language Models with Less
Forgetting [66.45372974713189]
本稿では,マルチタスク学習の概念を取り入れたリコール・アンド・ラーニング機構を提案し,事前学習タスクと下流タスクを共同で学習する。
実験により,本手法はGLUEベンチマークの最先端性能を実現することが示された。
我々はオープンソースのRecAdamを提供し、提案されたメカニズムをAdamに統合し、NLPコミュニティを施設化する。
論文 参考訳（メタデータ） (2020-04-27T08:59:57Z)
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。