論文の概要: Kinematic Detection of Anomalies in Human Trajectory Data
- arxiv url: http://arxiv.org/abs/2409.19136v1
- Date: Fri, 27 Sep 2024 20:53:11 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-06 04:21:02.503382
- Title: Kinematic Detection of Anomalies in Human Trajectory Data
- Title（参考訳）: ヒト軌道データにおける異常の運動学的検出
- Authors: Lance Kennedy, Andreas Züfle,
- Abstract要約: 人間は個人を識別する強力な信号として使用できる「キネマティックプロファイル」を持つことを示す。
個人識別と異常検出の2つのユースケースにおいて,標準的な分類法と異常検出アルゴリズムを併用した単純な運動学的特徴により,結果が有意に向上することが実験的に示された。
- 参考スコア（独自算出の注目度）: 0.2486161976966063
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Historically, much of the research in understanding, modeling, and mining human trajectory data has focused on where an individual stays. Thus, the focus of existing research has been on where a user goes. On the other hand, the study of how a user moves between locations has great potential for new research opportunities. Kinematic features describe how an individual moves between locations and can be used for tasks such as identification of individuals or anomaly detection. Unfortunately, data availability and quality challenges make kinematic trajectory mining difficult. In this paper, we leverage the Geolife dataset of human trajectories to investigate the viability of using kinematic features to identify individuals and detect anomalies. We show that humans have an individual "kinematic profile" which can be used as a strong signal to identify individual humans. We experimentally show that, for the two use-cases of individual identification and anomaly detection, simple kinematic features fed to standard classification and anomaly detection algorithms significantly improve results.
- Abstract（参考訳）: 歴史的に、人間の軌道データを理解し、モデル化し、採掘する研究の多くは、個人がどこに留まるかに焦点を当ててきた。
このように、既存の研究の焦点はユーザーがどこへ行くかにある。
一方,ユーザ間の移動の仕方に関する研究は,新たな研究機会として大きな可能性を秘めている。
運動学的特徴は、個人がどのように場所の間を移動し、個人の識別や異常検出などのタスクに使用できるかを記述する。
残念ながら、データの可用性と品質の課題は、キネマティックな軌道採掘を困難にしている。
本稿では,人間軌道のGeolifeデータセットを利用して,個人識別や異常検出にキネマティックな特徴を用いることの可能性を調査する。
人間は個人を識別する強力な信号として使用できる「キネマティックプロファイル」を持つことを示す。
個人識別と異常検出の2つのユースケースにおいて,標準的な分類法と異常検出アルゴリズムを併用した単純な運動学的特徴により,結果が有意に向上することが実験的に示された。
関連論文リスト
- Neural Collaborative Filtering to Detect Anomalies in Human Semantic Trajectories [0.5774786149181392]
本研究では,人体軌跡の異常を検出するための軽量な異常検出モデルを構築した。
アルゴリズムは2つの主要モジュールから構成される。1つは協調フィルタリングモジュールであり、これは人間の正常な移動を興味のある場所にモデル化するための協調フィルタリングである。
提案手法の有効性を検証するために,シミュレーションおよび実世界のデータセットを用いて,多数の最先端の軌道異常検出手法と比較した広範囲な実験を行った。
論文 参考訳（メタデータ） (2024-09-27T03:28:11Z) - Modeling User Preferences via Brain-Computer Interfacing [54.3727087164445]
我々はBrain-Computer Interface技術を用いてユーザの好みを推測し、その注意力は視覚的コンテンツと感情的体験との関連性に相関する。
我々はこれらを,情報検索,生成モデルのパーソナライズされたステアリング,感情経験のクラウドソーシング人口推定など,関連するアプリケーションにリンクする。
論文 参考訳（メタデータ） (2024-05-15T20:41:46Z) - Human Kinematics-inspired Skeleton-based Video Anomaly Detection [3.261881784285304]
我々は,HKVAD (Human Kinematic-inspired Video Anomaly Detection) という新しいアイデアを紹介した。
提案手法は,計算資源を最小限に抑え,その有効性と可能性を検証する。
論文 参考訳（メタデータ） (2023-09-27T13:52:53Z) - Understanding the Challenges and Opportunities of Pose-based Anomaly
Detection [2.924868086534434]
ポーズベースの異常検出(Pose-based anomaly detection)は、ビデオフレームから抽出された人間のポーズを調べることによって、異常な出来事や行動を検出するビデオ分析技術である。
本研究では、ポーズに基づく異常検出の難しさをよりよく理解するために、2つのよく知られたビデオ異常データセットの特徴を分析し、定量化する。
これらの実験は、ポーズベースの異常検出と現在利用可能なデータセットをより理解する上で有益であると考えています。
論文 参考訳（メタデータ） (2023-03-09T18:09:45Z) - Dataset Bias in Human Activity Recognition [57.91018542715725]
このコントリビューションは、トレーニングデータを統計的にキュレートし、人間の身体的特性がHARのパフォーマンスにどの程度影響するかを評価する。
時系列HARのセンサ,アクティビティ,記録の異なる2つのHARデータセット上で,最先端の畳み込みニューラルネットワークの性能を評価する。
論文 参考訳（メタデータ） (2023-01-19T12:33:50Z) - Video-based Pose-Estimation Data as Source for Transfer Learning in
Human Activity Recognition [71.91734471596433]
オンボディデバイスを用いたヒューマンアクティビティ認識(HAR)は、制約のない環境での特定の人間の行動を特定する。
これまでの研究は、トランスファーラーニングが、少ないデータでシナリオに対処するための良い戦略であることを実証した。
本稿では,人為的位置推定を目的としたデータセットを伝達学習の情報源として用いることを提案する。
論文 参考訳（メタデータ） (2022-12-02T18:19:36Z) - 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) - Persistent Animal Identification Leveraging Non-Visual Markers [71.14999745312626]
乱雑なホームケージ環境下で各マウスにユニークな識別子を時間をかけて発見し提供することを目的としている。
これは、(i)各マウスの視覚的特徴の区別の欠如、(ii)一定の閉塞を伴うシーンの密閉性のため、非常に難しい問題である。
本手法は, この動物識別問題に対して77%の精度を達成し, 動物が隠れているときの急激な検出を拒否することができる。
論文 参考訳（メタデータ） (2021-12-13T17:11:32Z) - Model-agnostic Fits for Understanding Information Seeking Patterns in
Humans [0.0]
不確実な意思決定タスクでは、人間はそのタスクに関連する情報を探し、統合し、行動する際、特徴的なバイアスを示す。
ここでは,これらのバイアスを総合的に測定・分類した,大規模に収集した先行設計実験のデータを再検討した。
これらのバイアスを集約的に再現するディープラーニングモデルを設計し、個々の行動の変化を捉えます。
論文 参考訳（メタデータ） (2020-12-09T04:34:58Z) - Deep dynamic modeling with just two time points: Can we still allow for
individual trajectories? [0.0]
疫学コホート研究や臨床登録では、縦断的生医学データはしばしばスパースタイムグリッドによって特徴づけられる。
ディープラーニングと動的モデリングを組み合わせた最近の進歩から着想を得て,そのような手法が複雑な構造を明らかにするのに有用かどうかを考察する。
このような動的ディープラーニングアプローチは、極端に小さなデータ設定でも有用であるが、慎重に適応する必要がある。
論文 参考訳（メタデータ） (2020-12-01T16:58:02Z) - DRG: Dual Relation Graph for Human-Object Interaction Detection [65.50707710054141]
人-物間相互作用(HOI)検出の課題に対処する。
既存の方法は、人間と物体の対の相互作用を独立に認識するか、複雑な外観に基づく共同推論を行う。
本稿では,抽象的空間意味表現を活用して,各対象対を記述し,二重関係グラフを用いてシーンの文脈情報を集約する。
論文 参考訳（メタデータ） (2020-08-26T17:59:40Z)
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。