論文の概要: Exploring the Impact of Synthetic Data on Human Gesture Recognition Tasks Using GANs

• arxiv url: http://arxiv.org/abs/2412.06389v1
• Date: Mon, 09 Dec 2024 11:15:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-10 14:53:48.861245
• Title: Exploring the Impact of Synthetic Data on Human Gesture Recognition Tasks Using GANs
• Title（参考訳）: GANを用いた人体ジェスチャー認識課題における合成データの影響を探る
• Authors: George Kontogiannis, Pantelis Tzamalis, Sotiris Nikoletseas,
• Abstract要約: 本研究は、GAN(Generative Adversarial Networks)を用いたウェアラブルIoTデバイスデータからアレルギー性鼻炎に対するモーションジェスチャの合成の可能性について、初めて検討したものである。 これらのAIモデルのパフォーマンスも、忠実さ、多様性、プライバシの観点から重視しています。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: In the evolving domain of Human Activity Recognition (HAR) using Internet of Things (IoT) devices, there is an emerging interest in employing Deep Generative Models (DGMs) to address data scarcity, enhance data quality, and improve classification metrics scores. Among these types of models, Generative Adversarial Networks (GANs) have arisen as a powerful tool for generating synthetic data that mimic real-world scenarios with high fidelity. However, Human Gesture Recognition (HGR), a subset of HAR, particularly in healthcare applications, using time series data such as allergic gestures, remains highly unexplored. In this paper, we examine and evaluate the performance of two GANs in the generation of synthetic gesture motion data that compose a part of an open-source benchmark dataset. The data is related to the disease identification domain and healthcare, specifically to allergic rhinitis. We also focus on these AI models' performance in terms of fidelity, diversity, and privacy. Furthermore, we examine the scenario if the synthetic data can substitute real data, in training scenarios and how well models trained on synthetic data can be generalized for the allergic rhinitis gestures. In our work, these gestures are related to 6-axes accelerometer and gyroscope data, serving as multi-variate time series instances, and retrieved from smart wearable devices. To the best of our knowledge, this study is the first to explore the feasibility of synthesizing motion gestures for allergic rhinitis from wearable IoT device data using Generative Adversarial Networks (GANs) and testing their impact on the generalization of gesture recognition systems. It is worth noting that, even if our method has been applied to a specific category of gestures, it is designed to be generalized and can be deployed also to other motion data in the HGR domain.
• Abstract（参考訳）: モノのインターネット(IoT)デバイスを用いたヒューマンアクティビティ認識(HAR)の進化する領域では、データの不足に対処し、データ品質を高め、分類基準のスコアを改善するためにDeep Generative Models(DGM)を採用することへの関心が高まっている。 これらのモデルの中で、GAN(Generative Adversarial Networks)は、実世界のシナリオを忠実に模倣する合成データを生成する強力なツールとして登場した。 しかし、HARのサブセットであるHuman Gesture Recognition (HGR)は、特に医療応用において、アレルギーのジェスチャーなどの時系列データを用いている。 本稿では,オープンソースのベンチマークデータセットの一部を構成する合成ジェスチャー動作データの生成における2つのGANの性能について検討・評価する。 データは疾患の識別ドメインと医療、特にアレルギー性鼻炎に関連している。 これらのAIモデルのパフォーマンスも、忠実さ、多様性、プライバシの観点から重視しています。 さらに, 合成データが実際のデータを置き換えることができるか, トレーニングシナリオ, およびアレルギー性鼻炎のジェスチャーに対して, 合成データに基づいて訓練したモデルをいかに一般化できるかを検討する。 これらのジェスチャーは6軸加速度計とジャイロスコープのデータに関連付けられ、多変量時系列のインスタンスとして機能し、スマートウェアラブルデバイスから取得する。 我々の知る限り、この研究は、GAN(Generative Adversarial Networks)を用いたウェアラブルIoTデバイスデータからアレルギー性鼻炎に対する動作ジェスチャの合成の可能性を探究し、ジェスチャ認識システムの一般化に対するそれらの影響を検証した最初のものである。 我々の手法が特定のジェスチャーカテゴリに適用されたとしても、一般化するように設計されており、HGRドメイン内の他のモーションデータにもデプロイ可能であることに注意する必要がある。

関連論文リスト

• Generation of synthetic gait data: application to multiple sclerosis patients' gait patterns [0.0]
  多発性硬化症(Multiple sclerosis, MS)は、若年者における非外傷性障害の主要な原因であり、その頻度は世界中で増加している。 MSにおける歩行障害の変動は、定量的歩行評価のための非侵襲的で敏感で費用対効果の高いツールの開発を必要とする。 eGait運動センサは、股関節回転を表す単位四元数時系列(QTS)を通して人間の歩行を特徴付けるように設計されており、有望なアプローチである。 しかし、臨床研究に典型的な小さなサンプルサイズは、歩行データ解析ツールの安定性に課題をもたらす。
  論文  参考訳（メタデータ） (2024-11-15T17:32:01Z)
• emg2qwerty: A Large Dataset with Baselines for Touch Typing using Surface Electromyography [47.160223334501126]
  emg2qwertyは、QWERTYキーボードでタッチ入力しながら手首に記録された非侵襲的筋電図信号の大規模なデータセットである。 1,135のセッションが108ユーザと346時間の録画にまたがっており、これまでで最大の公開データセットである。 sEMG信号のみを用いたキープレッシャの予測において,高いベースライン性能を示す。
  論文  参考訳（メタデータ） (2024-10-26T05:18:48Z)
• Scaling Wearable Foundation Models [54.93979158708164]
  センサ基礎モデルのスケーリング特性を計算,データ,モデルサイズにわたって検討する。 最大4000万時間分の心拍数、心拍変動、心電図活動、加速度計、皮膚温度、および1分間のデータを用いて、私たちはLSMを作成します。 この結果から,LSMのスケーリング法則は,時間とセンサの両面において,計算や外挿などのタスクに対して確立されている。
  論文  参考訳（メタデータ） (2024-10-17T15:08:21Z)
• SDFR: Synthetic Data for Face Recognition Competition [51.9134406629509]
  大規模な顔認識データセットは、インターネットをクロールして個人の同意なしに収集し、法的、倫理的、プライバシー上の懸念を提起する。 近年、ウェブクローリングされた顔認識データセットにおける懸念を軽減するために、合成顔認識データセットの生成が提案されている。 本稿では,第18回IEEE International Conference on Automatic Face and Gesture Recognition (FG 2024)と共同で開催されているSynthetic Data for Face Recognition (SDFR)コンペティションの概要を紹介する。 SDFRコンペティションは2つのタスクに分けられ、参加者は新しい合成データセットまたは/または既存のデータセットを使用して顔認識システムを訓練することができる。
  論文  参考訳（メタデータ） (2024-04-06T10:30:31Z)
• Synthetic-to-Real Domain Adaptation for Action Recognition: A Dataset and Baseline Performances [76.34037366117234]
  ロボット制御ジェスチャー(RoCoG-v2)と呼ばれる新しいデータセットを導入する。 データセットは7つのジェスチャークラスの実ビデオと合成ビデオの両方で構成されている。 我々は,最先端の行動認識とドメイン適応アルゴリズムを用いて結果を示す。
  論文  参考訳（メタデータ） (2023-03-17T23:23:55Z)
• cGAN-Based High Dimensional IMU Sensor Data Generation for Enhanced Human Activity Recognition in Therapeutic Activities [0.0]
  TheraGANと呼ばれる新しいGANネットワークは、リハビリテーション活動に関連するIMU信号を生成するために開発された。 生成された信号は実際の信号と密に模倣され、生成されたデータが追加され、テストされた全てのネットワークの性能が大幅に向上した。
  論文  参考訳（メタデータ） (2023-02-16T00:08:28Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• PhysioGAN: Training High Fidelity Generative Model for Physiological Sensor Readings [6.029263679246354]
  PHYSIOGANは高忠実性合成生理学的センサーデータ読取のための生成モデルである。 実世界の2つの異なるデータセット(ECG分類とモーションセンサーデータセットからのアクティビティ認識)を用いて、最先端技術と比較した。
  論文  参考訳（メタデータ） (2022-04-25T07:38:43Z)
• Transformer Networks for Data Augmentation of Human Physical Activity Recognition [61.303828551910634]
  Recurrent Generative Adrial Networks (RGAN)のような最先端技術モデルは、リアルな合成データを生成するために使用される。 本稿では,データにグローバルな注意を払っているトランスフォーマーベースの生成敵ネットワークを,PAMAP2とリアルワールドヒューマンアクティビティ認識データセットでRGANと比較する。
  論文  参考訳（メタデータ） (2021-09-02T16:47:29Z)
• CorGAN: Correlation-Capturing Convolutional Generative Adversarial Networks for Generating Synthetic Healthcare Records [0.0]
  本稿では,CorGAN (Relationed-capturing Generative Adversarial Network) という,人工的な医療記録を生成するフレームワークを提案する。 モデル忠実度を示すために,CorGANは各種機械学習設定における実データと同様の性能の合成データを生成する。
  論文  参考訳（メタデータ） (2020-01-25T18:43:47Z)

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。