論文の概要: Magnitude and Rotation Invariant Detection of Transportation Modes with Missing Data Modalities

• arxiv url: http://arxiv.org/abs/2407.11048v1
• Date: Mon, 8 Jul 2024 13:42:01 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-22 12:09:54.856866
• Title: Magnitude and Rotation Invariant Detection of Transportation Modes with Missing Data Modalities
• Title（参考訳）: データモダリティの欠如による移動モードのマグニチュードと回転不変性の検出
• Authors: Jeroen Van Der Donckt, Jonas Van Der Donckt, Sofie Van Hoecke,
• Abstract要約: この研究は、2024年のSHL認識チャレンジに対するSignal Sleuthsチームの解決策を示す。 この課題は、電話移動データのシャッフルされた非重なり合う5秒のウィンドウを使用して、移動モードを検出することである。 データ分析は、列車と検証データの間に大きな分布シフトを示し、大きさと回転不変のアプローチを必要とした。
• 参考スコア（独自算出の注目度）: 0.5762345156477738
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work presents the solution of the Signal Sleuths team for the 2024 SHL recognition challenge. The challenge involves detecting transportation modes using shuffled, non-overlapping 5-second windows of phone movement data, with exactly one of the three available modalities (accelerometer, gyroscope, magnetometer) randomly missing. Data analysis indicated a significant distribution shift between train and validation data, necessitating a magnitude and rotation-invariant approach. We utilize traditional machine learning, focusing on robust processing, feature extraction, and rotation-invariant aggregation. An ablation study showed that relying solely on the frequently used signal magnitude vector results in the poorest performance. Conversely, our proposed rotation-invariant aggregation demonstrated substantial improvement over using rotation-aware features, while also reducing the feature vector length. Moreover, z-normalization proved crucial for creating robust spectral features.
• Abstract（参考訳）: この研究は、2024年のSHL認識チャレンジに対するSignal Sleuthsチームの解決策を示す。 この課題は、携帯電話の移動データをシャッフルして重なり合う5秒のウィンドウで移動モードを検出することであり、これら3つのモード(加速度計、ジャイロスコープ、磁力計)のうちの1つがランダムに欠落している。 データ分析は、列車と検証データの間に大きな分布シフトを示し、大きさと回転不変のアプローチを必要とした。 従来の機械学習を利用して、ロバストな処理、特徴抽出、回転不変アグリゲーションに重点を置いています。 アブレーション実験により、頻繁に使われる信号の大きさベクトルのみに依存すると、最も低い性能が得られることが示された。 逆に,提案した回転不変アグリゲーションは,回転認識機能よりも大幅に改善され,特徴ベクトル長も低減された。 さらに、z-正規化はロバストスペクトルの特徴を作るのに不可欠であることが判明した。

関連論文リスト

• RIDE: Boosting 3D Object Detection for LiDAR Point Clouds via Rotation-Invariant Analysis [15.42293045246587]
  RIDEは3D LiDAR-point-based object DEtectorの回転不変性の先駆的な探索である。 回転に敏感ではあるが幾何をよく保持できる2機能抽出器と、幾何情報をある程度失うが回転に頑健な回転不変特徴を抽出する。 我々のRIDEは互換性があり、既存の1段と2段の3D検出器に簡単に接続でき、検出性能と回転ロバスト性の両方を高めることができる。
  論文  参考訳（メタデータ） (2024-08-28T08:53:33Z)
• PARE-Net: Position-Aware Rotation-Equivariant Networks for Robust Point Cloud Registration [8.668461141536383]
  回転不変の特徴を学習することは、ポイントクラウド登録の基本的な要件である。 既存の手法では、回転に敏感なネットワークを用いて特徴を抽出し、回転拡大を用いて近似不変写像を無作為に学習する。 高速で軽量でロバストな登録のための位置認識型回転同変ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-07-14T10:26:38Z)
• Hyperspectral Band Selection based on Generalized 3DTV and Tensor CUR Decomposition [8.812294191190896]
  ハイパースペクトルイメージングはリモートセンシングにおいて重要な技術である。 高次元とデータボリュームは、重大な計算上の課題を生じさせる。 データを低ランクで滑らかな成分とスパース成分に分解することで,新しいスペクトル帯域選択モデルを提案する。
  論文  参考訳（メタデータ） (2024-05-02T02:23:38Z)
• Cross-Cluster Shifting for Efficient and Effective 3D Object Detection in Autonomous Driving [69.20604395205248]
  本稿では,自律運転における3次元物体検出のための3次元点検出モデルであるShift-SSDを提案する。 我々は、ポイントベース検出器の表現能力を解き放つために、興味深いクロスクラスタシフト操作を導入する。 我々は、KITTI、ランタイム、nuScenesデータセットに関する広範な実験を行い、Shift-SSDの最先端性能を実証した。
  論文  参考訳（メタデータ） (2024-03-10T10:36:32Z)
• VNI-Net: Vector Neurons-based Rotation-Invariant Descriptor for LiDAR Place Recognition [10.049145949807505]
  本稿では,ベクトルニューロンネットワーク(VNN)を用いてSO(3)回転不変性を実現する手法を提案する。 回転不変記述子を定式化する場合の有意な情報損失に対処するために,異なる層における特徴間の計算距離を提案する。
  論文  参考訳（メタデータ） (2023-08-24T15:47:21Z)
• Category-Level 6D Object Pose Estimation with Flexible Vector-Based Rotation Representation [51.67545893892129]
  モノクロRGB-D画像からカテゴリレベルの6次元ポーズとサイズ推定のための新しい3次元グラフ畳み込みに基づくパイプラインを提案する。 まず,3次元グラフ畳み込みを用いた向き対応オートエンコーダの設計を行った。 そして, 回転情報を潜在特徴から効率的に復号化するために, フレキシブルなベクトルベースデコンポーザブルな回転表現を設計する。
  論文  参考訳（メタデータ） (2022-12-09T02:13:43Z)
• Detecting Rotated Objects as Gaussian Distributions and Its 3-D Generalization [81.29406957201458]
  既存の検出方法は、パラメータ化バウンディングボックス(BBox)を使用して(水平)オブジェクトをモデル化し、検出する。 このような機構は回転検出に有効な回帰損失を構築するのに基本的な限界があると主張する。 回転した物体をガウス分布としてモデル化することを提案する。 2次元から3次元へのアプローチを、方向推定を扱うアルゴリズム設計により拡張する。
  論文  参考訳（メタデータ） (2022-09-22T07:50:48Z)
• The KFIoU Loss for Rotated Object Detection [115.334070064346]
  本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。 具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。 KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
  論文  参考訳（メタデータ） (2022-01-29T10:54:57Z)
• Learning High-Precision Bounding Box for Rotated Object Detection via Kullback-Leibler Divergence [100.6913091147422]
  既存の回転物体検出器は、主に水平検出パラダイムから受け継がれている。 本稿では,回転回帰損失の設計を帰納パラダイムから導出手法に変更することを目的としている。
  論文  参考訳（メタデータ） (2021-06-03T14:29:19Z)
• Adjoint Rigid Transform Network: Task-conditioned Alignment of 3D Shapes [86.2129580231191]
  Adjoint Rigid Transform (ART) Networkは、さまざまな3Dネットワークと統合可能なニューラルネットワークモジュールである。 ARTは入力の形状を学習した標準方向に回転させることを学び、多くのタスクに欠かせない。 さらなる研究のために、コードと事前訓練されたモデルをリリースします。
  論文  参考訳（メタデータ） (2021-02-01T20:58:45Z)

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。