論文の概要: Left-Right Swapping and Upper-Lower Limb Pairing for Robust Multi-Wearable Workout Activity Detection
- arxiv url: http://arxiv.org/abs/2408.03947v1
- Date: Mon, 22 Jul 2024 07:21:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-19 04:39:15.163670
- Title: Left-Right Swapping and Upper-Lower Limb Pairing for Robust Multi-Wearable Workout Activity Detection
- Title(参考訳): 頑健な多視点ワークアウト検出のための左右のスワッピングと上肢ペアリング
- Authors: Jonas Van Der Donckt, Jeroen Van Der Donckt, Sofie Van Hoecke,
- Abstract要約: この研究は、2024年のHASCA WEARチャレンジのためのSignal Sleuthsチームのソリューションを提示します。
この課題は、4つのウェアラブルから加速度計データを使用して18のワークアウトアクティビティを検出することに焦点を当てている。
データ分析により、参加者内および参加者間でのウェアラブル指向の不整合が明らかになった。
- 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 HASCA WEAR challenge. The challenge focuses on detecting 18 workout activities (and the null class) using accelerometer data from 4 wearables - one worn on each limb. Data analysis revealed inconsistencies in wearable orientation within and across participants, leading to exploring novel multi-wearable data augmentation techniques. We investigate three models using a fixed feature set: (i) "raw": using all data as is, (ii) "left-right swapping": augmenting data by swapping left and right limb pairs, and (iii) "upper-lower limb paring": stacking data by using upper-lower limb pair combinations (2 wearables). Our experiments utilize traditional machine learning with multi-window feature extraction and temporal smoothing. Using 3-fold cross-validation, the raw model achieves a macro F1-score of 90.01%, whereas left-right swapping and upper-lower limb paring improve the scores to 91.30% and 91.87% respectively.
- Abstract(参考訳): この研究は、2024年のHASCA WEARチャレンジのためのSignal Sleuthsチームのソリューションを提示します。
この課題は、4つのウェアラブル(各手足に1つ)から加速度計データを使用して18のワークアウトアクティビティ(とヌルクラス)を検出することに焦点を当てている。
データ分析により、参加者内および参加者間のウェアラブル指向の不整合が明らかとなり、新しいマルチウェアブルなデータ拡張技術が探求された。
固定特徴集合を用いた3つのモデルについて検討する。
i) "raw": すべてのデータをそのまま使う
(二)「左右スワップ」:左右手足のペアを交換してデータを増やすこと、
3)「上肢麻痺」とは,上肢ペアの組み合わせ(2つのウェアラブル)を用いてデータを積み重ねることである。
実験では,従来の機械学習にマルチウィンドウ特徴抽出と時間的平滑化を併用した。
3倍のクロスバリデーションを用いて、生モデルはマクロF1スコアを90.01%、左スワッピングと上肢のパーシングは91.30%と91.87%に改善した。
関連論文リスト
- Temporal Correlation Meets Embedding: Towards a 2nd Generation of JDE-based Real-Time Multi-Object Tracking [52.04679257903805]
共同検出・埋め込み(JDE)トラッカーは多目的追跡(MOT)タスクにおいて優れた性能を示した。
TCBTrackという名前のトラッカーは、複数の公開ベンチマークで最先端のパフォーマンスを実現しています。
論文 参考訳(メタデータ) (2024-07-19T07:48:45Z) - Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。
I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文 参考訳(メタデータ) (2023-08-31T05:05:53Z) - Cross-Modal Retrieval for Motion and Text via DopTriple Loss [31.206130522960795]
画像テキストとビデオテキストのクロスモーダル検索は、コンピュータビジョンと自然言語処理において顕著な研究領域である。
我々は,この課題に対処するために,簡潔で効果的なデュアル・ユニモーダル変換器エンコーダを利用する。
論文 参考訳(メタデータ) (2023-05-07T05:40:48Z) - DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and
Temporal Relatedness [78.98998551326812]
従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。
我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。
本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
論文 参考訳(メタデータ) (2022-09-26T21:59:14Z) - PEg TRAnsfer Workflow recognition challenge report: Does multi-modal
data improve recognition? [14.144188912860892]
PETRAW (PEg TRAnsfert Recognition) の課題は, 手術ワークフロー認識法の開発であった。
PETRAWチャレンジは、仮想シミュレータ上で実行される150ペグの転送シーケンスのデータセットを提供する。
ビデオ/キネマティックベースの手法と一様性(uni-modality)の改善は、すべてのチームにとって重要なものでした。
論文 参考訳(メタデータ) (2022-02-11T18:33:11Z) - Speech2AffectiveGestures: Synthesizing Co-Speech Gestures with
Generative Adversarial Affective Expression Learning [63.06044724907101]
そこで本稿では, 感情表現を適切に表現し, 3次元ポーズを合成する生成的対人ネットワークを提案する。
本ネットワークは,入力音声とシードポーズから符号化された特徴の組込み空間からジェスチャを合成するジェネレータと,合成されたポーズシーケンスと実3Dポーズシーケンスを識別する識別器とから構成される。
論文 参考訳(メタデータ) (2021-07-31T15:13:39Z) - Generative Partial Visual-Tactile Fused Object Clustering [81.17645983141773]
オブジェクトクラスタリングのためのGenerative Partial Visual-Tactile Fused(GPVTF)フレームワークを提案する。
条件付きクロスモーダルクラスタリング生成逆ネットワークを開発し、一方のモダリティ条件を他方のモダリティ上で合成する。
最後に、擬似ラベルに基づく2つのKL分割損失を用いて、対応するモダリティ固有エンコーダを更新する。
論文 参考訳(メタデータ) (2020-12-28T02:37:03Z) - Exploring Data Augmentation for Multi-Modality 3D Object Detection [82.9988604088494]
ポイントクラウドとイメージに基づくマルチモダリティメソッドは、ポイントクラウドのみを使用するアプローチよりも、わずかに良いか、時には悪いだけである。
トランスフォーメーションフローと呼ばれるパイプラインを提案し、トランスフォーメーションのリバースとリプレイによってシングルモードとマルチモードのデータ拡張のギャップを埋める。
また,本手法は第3回nuScenes検出チャレンジでPKL賞を受賞した。
論文 参考訳(メタデータ) (2020-12-23T15:23:16Z) - A Multi-task Joint Framework for Real-time Person Search [21.11138392681009]
MJF (Multi-task Joint Framework for Real-time Person Search) を提案する。
人検出モジュールとして,人物データセットをトレーニングしたYOLOv5-GSモデルを提案する。
特徴抽出モジュールでは、人数に応じて異なるネットワークを選択することができるモデル適応アーキテクチャ(MAA)を設計する。
論文 参考訳(メタデータ) (2020-12-11T15:21:15Z)
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。