論文の概要: Enhancing Wearable Tap Water Audio Detection through Subclass Annotation in the HD-Epic Dataset

• arxiv url: http://arxiv.org/abs/2505.20788v1
• Date: Tue, 27 May 2025 06:48:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-28 17:05:58.456034
• Title: Enhancing Wearable Tap Water Audio Detection through Subclass Annotation in the HD-Epic Dataset
• Title（参考訳）: HD-Epicデータセットにおけるサブクラスアノテーションによるウェアラブル型水道水検知の強化
• Authors: Robin Burchard, Kristof Van Laerhoven,
• Abstract要約: 我々は、最近リリースされたHD-Epicデータセットのために、タップウォーターと呼ばれる新しいラベルを作成し、タップウォーターフローの717の手書きアノテーションを作成しました。 筆者らは,データセットにおける水道水と水道水の関係を解析し,新たに追加されたラベルクラスを評価するために2つの軽量分類器を訓練・評価した。
• 参考スコア（独自算出の注目度）: 6.8093214146903875
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Wearable human activity recognition has been shown to benefit from the inclusion of acoustic data, as the sounds around a person often contain valuable context. However, due to privacy concerns, it is usually not ethically feasible to record and save microphone data from the device, since the audio could, for instance, also contain private conversations. Rather, the data should be processed locally, which in turn requires processing power and consumes energy on the wearable device. One special use case of contextual information that can be utilized to augment special tasks in human activity recognition is water flow detection, which can, e.g., be used to aid wearable hand washing detection. We created a new label called tap water for the recently released HD-Epic data set, creating 717 hand-labeled annotations of tap water flow, based on existing annotations of the water class. We analyzed the relation of tap water and water in the dataset and additionally trained and evaluated two lightweight classifiers to evaluate the newly added label class, showing that the new class can be learned more easily.
• Abstract（参考訳）: ウェアラブルな人間の活動認識は、周囲の音がしばしば貴重なコンテキストを含むため、音響データを含めることの恩恵を受けていることが示されている。 しかし、プライバシー上の懸念から、音声にもプライベートな会話が含まれているため、デバイスからマイクデータを記録して保存することは倫理的に不可能である。 むしろ、データはローカルに処理されるべきであり、それは処理能力を必要とし、ウェアラブルデバイスでエネルギーを消費する。 人間の活動認識における特別なタスクを増強するために使用できるコンテキスト情報の特別なユースケースは、水の流れの検出である。 我々は最近リリースされたHD-Epicデータセットのために、タップウォーターと呼ばれる新しいラベルを作成し、既存のウォータークラスのアノテーションに基づいて、タップウォーターフローの717の手書きアノテーションを作成しました。 筆者らは,データセット中の水道水と水道水の関係を解析し,新たに追加されたラベルクラスを評価するために2つの軽量分類器を訓練・評価し,新しいクラスをより容易に学習できることを示した。

関連論文リスト

• The Computation of Generalized Embeddings for Underwater Acoustic Target Recognition using Contrastive Learning [0.7145837421668514]
  海洋環境における音汚染は、海洋の健康に対する脅威を増大させる。 このノイズをモニターすることで、汚染の原因となるソースをマッピングすることができる。 これにより大量のデータ記録が生成され、船舶活動や海洋哺乳類の発声などの音源が混在している。
  論文  参考訳（メタデータ） (2025-05-19T09:37:46Z)
• Robust Data Watermarking in Language Models by Injecting Fictitious Knowledge [31.766208360156906]
  言語モデルのデータ透かしは、トークンシーケンスやスタイルパターンなどのトレース可能な信号を著作権のあるテキストに注入する。 従来のデータ透かし技術は主に事前学習時の効果的な記憶に焦点を当てていた。 本研究では,定型的だが定型的な知識を学習データに注入する新しいデータ透かし手法を提案する。
  論文  参考訳（メタデータ） (2025-03-06T02:40:51Z)
• Can LLM Watermarks Robustly Prevent Unauthorized Knowledge Distillation? [75.99961894619986]
  本稿では,学生モデルが知識蒸留により,透かしの継承を回避しつつ,教師モデルの能力を獲得することができるかどうかを考察する。 本稿では,未ターゲットおよび目標とするトレーニングデータパラフレージング(UP,TP)による蒸留前除去と,推論時透かし中和(WN)による蒸留後除去の2つのカテゴリを提案する。
  論文  参考訳（メタデータ） (2025-02-17T09:34:19Z)
• Neuro-Symbolic Fusion of Wi-Fi Sensing Data for Passive Radar with Inter-Modal Knowledge Transfer [10.388561519507471]
  本稿では,Wi-FiセンシングのためのニューロシンボリックアーキテクチャであるDeepProbHARを紹介する。 これは、Wi-Fi信号が脚や腕の動きなどの単純な動きと区別できるという最初の証拠を提供する。 DeepProbHARは、人間の活動認識における最先端技術に匹敵する結果を達成している。
  論文  参考訳（メタデータ） (2024-07-01T08:43:27Z)
• Oceanship: A Large-Scale Dataset for Underwater Audio Target Recognition [22.890584326036976]
  大規模かつ多様な水中オーディオデータセットであるOceanshipを提案する。 このデータセットは15のカテゴリで構成され、総期間は121時間であり、座標、速度、船舶タイプ、タイムスタンプといった包括的なアノテーション情報を含んでいる。 水中オーディオ検索のためのベースラインモデルであるOceannetを導入する。このモデルでは、67.11%の精度で1(R@1)、Deepshipデータセットで5(R@5)の精度で99.13%のリコールを実現している。
  論文  参考訳（メタデータ） (2024-01-04T07:11:16Z)
• On the Learnability of Watermarks for Language Models [80.97358663708592]
  言語モデルが透かし付きテキストを生成するために直接学習できるかどうかを問う。 本稿では,教師モデルとして振舞う学生モデルを訓練する透かし蒸留法を提案する。 モデルは、高い検出性で透かし付きテキストを生成することができる。
  論文  参考訳（メタデータ） (2023-12-07T17:41:44Z)
• Collaborative Watermarking for Adversarial Speech Synthesis [0.0]
  合成音声透かしのための協調学習手法を提案する。 ASVspoof 2021ベースライン対策モデルと協調したHiFi-GANニューラルボコーダが検出性能を継続的に向上することを示す。
  論文  参考訳（メタデータ） (2023-09-26T19:43:14Z)
• Underwater-Art: Expanding Information Perspectives With Text Templates For Underwater Acoustic Target Recognition [25.887932248706218]
  水中音響信号は, 距離, 流路深さ, その他の要因に大きく影響されている。 本稿では,関連する情報からなるテンプレートに水中音響認識を実装することを提案する。
  論文  参考訳（メタデータ） (2023-05-31T07:28:37Z)
• A Matter of Annotation: An Empirical Study on In Situ and Self-Recall Activity Annotations from Wearable Sensors [56.554277096170246]
  In-the-wildデータ収集に焦点をあてたユーザスタディにおいて,一般的な4つのアノテーション手法の評価と対比を行う実験的検討を行った。 実際の記録プロセス中に参加者がアノテートするユーザ主導のin situアノテーションと、各日の終わりに参加者が振り返ってアノテートするリコールメソッドの両方に対して、参加者は自身のアクティビティクラスと対応するラベルを選択できる柔軟性を持っていた。
  論文  参考訳（メタデータ） (2023-05-15T16:02:56Z)
• DeepAqua: Self-Supervised Semantic Segmentation of Wetland Surface Water Extent with SAR Images using Knowledge Distillation [44.99833362998488]
  トレーニングフェーズ中に手動アノテーションを不要にする自己教師型ディープラーニングモデルであるDeepAquaを提案する。 我々は、光とレーダーをベースとしたウォーターマスクが一致する場合を利用して、水面と植物の両方を検知する。 実験の結果,DeepAquaの精度は7%向上し,Intersection Over Unionが27%,F1が14%向上した。
  論文  参考訳（メタデータ） (2023-05-02T18:06:21Z)
• Did You Train on My Dataset? Towards Public Dataset Protection with Clean-Label Backdoor Watermarking [54.40184736491652]
  本稿では,公開データの保護のための一般的な枠組みとして機能するバックドアベースの透かし手法を提案する。 データセットに少数の透かしサンプルを挿入することにより、我々のアプローチは、ディフェンダーが設定した秘密関数を暗黙的に学習することを可能にする。 この隠れた機能は、データセットを違法に使用するサードパーティモデルを追跡するための透かしとして使用できる。
  論文  参考訳（メタデータ） (2023-03-20T21:54:30Z)
• Exploring Inconsistent Knowledge Distillation for Object Detection with Data Augmentation [66.25738680429463]
  物体検出のための知識蒸留(KD)は、教師モデルから知識を伝達することで、コンパクトな検出器を訓練することを目的としている。 教師モデルの反直感的知覚に固有の知識を蒸留することを目的とした,一貫性のない知識蒸留(IKD)を提案する。 本手法は, 1段, 2段, アンカーフリーの物体検出器において, 最先端のKDベースラインより優れる。
  論文  参考訳（メタデータ） (2022-09-20T16:36:28Z)
• HAR-GCNN: Deep Graph CNNs for Human Activity Recognition From Highly Unlabeled Mobile Sensor Data [61.79595926825511]
  正確な活動ラベルを含むバランスのとれたデータセットを取得するには、人間が正しく注釈を付け、リアルタイムで被験者の通常の活動に干渉する必要がある。 本研究では,HAR-GCCNモデルを提案する。HAR-GCCNは,時系列に隣接したセンサ測定の相関を利用して,不特定活動の正確なラベルを予測する。 Har-GCCNは、これまで使用されていたベースライン手法と比較して優れたパフォーマンスを示し、分類精度を25%改善し、異なるデータセットで最大68%向上した。
  論文  参考訳（メタデータ） (2022-03-07T01:23:46Z)

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。