論文の概要: Redundant feature screening method for human activity recognition based on attention purification mechanism
- arxiv url: http://arxiv.org/abs/2503.23537v1
- Date: Sun, 30 Mar 2025 17:44:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-01 19:35:57.179179
- Title: Redundant feature screening method for human activity recognition based on attention purification mechanism
- Title（参考訳）: 注意清浄機構に基づく人間行動認識のための冗長特徴スクリーニング法
- Authors: Hanyu Liu, Xiaoyang Li, Yixuan Jiang, Haotian Tang, Dongchen Wu, Yameng Guo,
- Abstract要約: マルチスケールネットワークに適したMSAPと呼ばれる汎用的な特徴浄化機構を提案する。
この機構は、マルチスケール特徴の重ね合わせによる特徴冗長性を効果的に解決する。
さらに,各ネットワークモジュールの層間をシームレスに統合するネットワーク補正モジュールを設計した。
- 参考スコア（独自算出の注目度）: 4.432504070976628
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the field of sensor-based Human Activity Recognition (HAR), deep neural networks provide advanced technical support. Many studies have proven that recognition accuracy can be improved by increasing the depth or width of the network. However, for wearable devices, the balance between network performance and resource consumption is crucial. With minimum resource consumption as the basic principle, we propose a universal attention feature purification mechanism, called MSAP, which is suitable for multi-scale networks. The mechanism effectively solves the feature redundancy caused by the superposition of multi-scale features by means of inter-scale attention screening and connection method. In addition, we have designed a network correction module that integrates seamlessly between layers of individual network modules to mitigate inherent problems in deep networks. We also built an embedded deployment system that is in line with the current level of wearable technology to test the practical feasibility of the HAR model, and further prove the efficiency of the method. Extensive experiments on four public datasets show that the proposed method model effectively reduces redundant features in filtered data and provides excellent performance with little resource consumption.
- Abstract（参考訳）: センサベースのヒューマンアクティビティ認識(HAR)の分野では、ディープニューラルネットワークが高度な技術サポートを提供する。
多くの研究は、ネットワークの深さや幅を増大させることで、認識精度を向上させることができることを証明している。
しかし、ウェアラブルデバイスでは、ネットワーク性能とリソース消費のバランスが重要である。
資源消費の最小化を基本原理として,マルチスケールネットワークに適したMSAPと呼ばれる汎用的な特徴浄化機構を提案する。
本機構は,マルチスケール特徴の重ね合わせによる特徴冗長性を,スケール間注目スクリーニングと接続法により効果的に解決する。
さらに,各ネットワークモジュールの層間をシームレスに統合し,深層ネットワーク固有の問題を緩和するネットワーク補正モジュールを設計した。
また,HARモデルの実用性を検証するため,現在のウェアラブル技術レベルに沿った組み込み配置システムを構築し,本手法の有効性を実証した。
4つの公開データセットに対する大規模な実験により,提案手法はフィルタデータの冗長性を効果的に低減し,資源消費の少ない優れた性能を提供することを示した。
関連論文リスト
- Efficient Reachability Analysis for Convolutional Neural Networks Using Hybrid Zonotopes [4.32258850473064]
フィードフォワードニューラルネットワークの既存の伝播に基づく到達可能性分析手法は、スケーラビリティと精度の両方を達成するのに苦労することが多い。
この研究は、畳み込みニューラルネットワークの到達可能な集合を計算するための、新しいセットベースのアプローチを示す。
論文 参考訳（メタデータ） (2025-03-13T19:45:26Z) - Spiking Meets Attention: Efficient Remote Sensing Image Super-Resolution with Attention Spiking Neural Networks [57.17129753411926]
従来の人工ニューラルネットワーク(ANN)の代替手段としてスパイキングニューラルネットワーク(SNN)が登場
本稿では,AID,DOTA,DIORなどのリモートセンシングベンチマークにおいて,最先端の性能を実現するSpikeSRを提案する。
論文 参考訳（メタデータ） (2025-03-06T09:06:06Z) - ELA: Efficient Local Attention for Deep Convolutional Neural Networks [15.976475674061287]
本稿では、簡単な構造で大幅な性能向上を実現するための効率的な局所注意法(ELA)を提案する。
これらの課題を克服するため、我々は1次元畳み込みとグループ正規化機能強化技術の導入を提案する。
ELAはResNet、MobileNet、DeepLabといったディープCNNネットワークにシームレスに統合できる。
論文 参考訳（メタデータ） (2024-03-02T08:06:18Z) - RDRN: Recursively Defined Residual Network for Image Super-Resolution [58.64907136562178]
深部畳み込みニューラルネットワーク(CNN)は、単一画像超解像において顕著な性能を得た。
本稿では,注目ブロックを効率的に活用する新しいネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-11-17T11:06:29Z) - A Generic Shared Attention Mechanism for Various Backbone Neural Networks [53.36677373145012]
自己注意モジュール(SAM)は、異なる層にまたがる強い相関した注意マップを生成する。
Dense-and-Implicit Attention (DIA)はSAMをレイヤ間で共有し、長期間のメモリモジュールを使用する。
我々のシンプルで効果的なDIAは、様々なネットワークバックボーンを一貫して拡張できます。
論文 参考訳（メタデータ） (2022-10-27T13:24:08Z) - Federated Learning over Wireless IoT Networks with Optimized
Communication and Resources [98.18365881575805]
協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。
無線システム上での高速応答および高精度FLスキームの検証が重要である。
提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
論文 参考訳（メタデータ） (2021-10-22T13:25:57Z) - Binarized Aggregated Network with Quantization: Flexible Deep Learning
Deployment for CSI Feedback in Massive MIMO System [22.068682756598914]
アグリゲートチャネル再構築ネットワーク(ACRNet)と呼ばれる新しいネットワークは、フィードバックパフォーマンスを高めるように設計されています。
異なる資源制約を満たすために,ネットワークを柔軟に適応させる弾性フィードバック方式を提案する。
実験の結果、提案したACRNetは従来の最先端ネットワークの負荷よりも優れていた。
論文 参考訳（メタデータ） (2021-05-01T22:50:25Z) - Attentional Local Contrast Networks for Infrared Small Target Detection [15.882749652217653]
赤外線小目標検出のための新しいモデル駆動深層ネットワークを提案する。
従来の局所コントラスト測定法を、エンドツーエンドネットワークにおける深さ自在なパラメータレス非線形特徴精製層としてモジュール化します。
ネットワークアーキテクチャの各コンポーネントの有効性と効率を実証的に検証するために,ネットワーク奥行きの異なる詳細なアブレーション研究を行う。
論文 参考訳（メタデータ） (2020-12-15T19:33:09Z) - Deep Multi-Task Learning for Cooperative NOMA: System Design and
Principles [52.79089414630366]
我々は,近年のディープラーニング(DL)の進歩を反映した,新しいディープ・コラボレーティブなNOMAスキームを開発する。
我々は,システム全体を包括的に最適化できるように,新しいハイブリッドカスケードディープニューラルネットワーク(DNN)アーキテクチャを開発した。
論文 参考訳（メタデータ） (2020-07-27T12:38:37Z) - Compact Neural Representation Using Attentive Network Pruning [1.0152838128195465]
本稿では,Bottom-Upフィードフォワードネットワークに付加されたTop-Downアテンション機構について述べる。
提案手法は, 新たな階層選択機構をプルーニングの基礎として導入するだけでなく, 実験評価において, 従来のベースライン手法と競合するままである。
論文 参考訳（メタデータ） (2020-05-10T03:20:01Z) - Resolution Adaptive Networks for Efficient Inference [53.04907454606711]
本稿では,低分解能表現が「容易」な入力を分類するのに十分である,という直感に触発された新しいレゾリューション適応ネットワーク(RANet)を提案する。
RANetでは、入力画像はまず、低解像度表現を効率的に抽出する軽量サブネットワークにルーティングされる。
ネットワーク内の高解像度パスは、"ハード"サンプルを認識する能力を維持している。
論文 参考訳（メタデータ） (2020-03-16T16:54:36Z)
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。