論文の概要: TinierHAR: Towards Ultra-Lightweight Deep Learning Models for Efficient Human Activity Recognition on Edge Devices

• arxiv url: http://arxiv.org/abs/2507.07949v1
• Date: Thu, 10 Jul 2025 17:33:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-11 16:40:15.514747
• Title: TinierHAR: Towards Ultra-Lightweight Deep Learning Models for Efficient Human Activity Recognition on Edge Devices
• Title（参考訳）: TinierHAR:エッジデバイス上での効率的なヒューマンアクティビティ認識のための超軽量ディープラーニングモデル
• Authors: Sizhen Bian, Mengxi Liu, Vitor Fortes Rey, Daniel Geissler, Paul Lukowicz,
• Abstract要約: リソース制約のあるウェアラブルデバイス上でのヒューマンアクティビティ認識(HAR)は、精度と計算効率を調和させる推論モデルを必要とする。 本稿では,極軽量なディープラーニングアーキテクチャであるTinierHARについて紹介する。このアーキテクチャは,奥行きの深い分離可能な畳み込み,ゲート再帰ユニット(GRU),時間的アグリゲーションを相乗化することで,SOTA効率を向上する。
• 参考スコア（独自算出の注目度）: 3.6089782567449142
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human Activity Recognition (HAR) on resource-constrained wearable devices demands inference models that harmonize accuracy with computational efficiency. This paper introduces TinierHAR, an ultra-lightweight deep learning architecture that synergizes residual depthwise separable convolutions, gated recurrent units (GRUs), and temporal aggregation to achieve SOTA efficiency without compromising performance. Evaluated across 14 public HAR datasets, TinierHAR reduces Parameters by 2.7x (vs. TinyHAR) and 43.3x (vs. DeepConvLSTM), and MACs by 6.4x and 58.6x, respectively, while maintaining the averaged F1-scores. Beyond quantitative gains, this work provides the first systematic ablation study dissecting the contributions of spatial-temporal components across proposed TinierHAR, prior SOTA TinyHAR, and the classical DeepConvLSTM, offering actionable insights for designing efficient HAR systems. We finally discussed the findings and suggested principled design guidelines for future efficient HAR. To catalyze edge-HAR research, we open-source all materials in this work for future benchmarking\footnote{https://github.com/zhaxidele/TinierHAR}
• Abstract（参考訳）: リソース制約のあるウェアラブルデバイス上でのヒューマンアクティビティ認識(HAR)は、精度と計算効率を調和させる推論モデルを必要とする。 本稿では,極軽量のディープラーニングアーキテクチャであるTinierHARについて紹介する。このアーキテクチャは,奥行きの深い分離可能な畳み込み,ゲート再帰ユニット(GRU),時間的アグリゲーションを相乗化することで,SOTA効率を向上する。 14の公開HARデータセットで評価され、TinierHAR はパラメータを 2.7x (vs. TinyHAR) と 43.3x (vs. DeepConvLSTM) と MAC を 6.4x と 58.6x に削減し、平均F1スコアを維持している。 定量的ゲイン以外にも、この研究は提案されているTinierHAR、SOTA TinyHAR以前のSOTA TinyHAR、および古典的なDeepConvLSTMにまたがる空間時間成分の寄与を解剖する最初の体系的アブレーション研究を提供し、効率的なHARシステムを設計するための実用的な洞察を提供する。 最終的にこの知見を議論し、将来の効率的なHARの設計ガイドラインを提案した。 エッジHARの研究を触媒するため、我々は将来のベンチマークのためのすべての資料をオープンソース化した。

関連論文リスト

• EfficientLLM: Efficiency in Large Language Models [64.3537131208038]
  大規模言語モデル(LLM)は大きな進歩を導いてきたが、その増加とコンテキストウィンドウは計算、エネルギー、金銭的コストを禁止している。 本稿では,新しいベンチマークであるEfficientLLMを紹介する。
  論文  参考訳（メタデータ） (2025-05-20T02:27:08Z)
• HAR-DoReMi: Optimizing Data Mixture for Self-Supervised Human Activity Recognition Across Heterogeneous IMU Datasets [4.32515027626613]
  クロスデータセットのヒューマンアクティビティ認識(HAR)は、限られたモデル一般化に悩まされており、その実践的な展開を妨げている。 異種データセット間の認識性能の向上を目的とした,HARモデルの事前学習のためのデータ混合最適化手法を提案する。 Har-DoReMiは、現在の最先端の手法に比べて平均6.51%精度が向上し、データ使用量の約30%から50%しかありません。
  論文  参考訳（メタデータ） (2025-03-16T04:31:58Z)
• HARMamba: Efficient and Lightweight Wearable Sensor Human Activity Recognition Based on Bidirectional Mamba [7.412537185607976]
  ウェアラブルセンサーによる人間の活動認識(HAR)は、活動知覚において重要な研究領域である。 HARMambaは、選択的な双方向状態空間モデルとハードウェア対応設計を組み合わせた、革新的な軽量で多用途なHARアーキテクチャである。 HarMambaは現代の最先端フレームワークより優れており、計算とメモリの要求を大幅に削減し、同等またはより良い精度を提供する。
  論文  参考訳（メタデータ） (2024-03-29T13:57:46Z)
• Temporal Action Localization for Inertial-based Human Activity Recognition [9.948823510429902]
  ビデオベースのヒューマンアクティビティ認識(TAL)は、任意の長さのタイムラインでアクティビティセグメントをローカライズするセグメントベースの予測アプローチに従っている。 本論文は、オフラインとニアオンラインのHAR(Human Activity Recognition)における最先端のTALモデルの適用性を体系的に示す最初のものである。 時系列全体を解析することにより、TALモデルはよりコヒーレントなセグメントを生成し、全てのデータセットに対して高いNULLクラス精度を実現することができることを示す。
  論文  参考訳（メタデータ） (2023-11-27T13:55:21Z)
• Equation Discovery with Bayesian Spike-and-Slab Priors and Efficient Kernels [57.46832672991433]
  ケルネル学習とBayesian Spike-and-Slab pres (KBASS)に基づく新しい方程式探索法を提案する。 カーネルレグレッションを用いてターゲット関数を推定する。これはフレキシブルで表現力があり、データ空間やノイズに対してより堅牢である。 我々は,効率的な後部推論と関数推定のための予測伝搬予測最大化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-10-09T03:55:09Z)
• Efficient Deep Clustering of Human Activities and How to Improve Evaluation [53.08810276824894]
  我々は,ヒト活動の再コーグ・ニオン(HAR)のための新しい深層クラスタリングモデルを提案する。 本稿では,HARクラスタリングモデルがどのように評価されるかという,いくつかの異なる問題を取り上げる。 次に、これらの問題に対する解決策について議論し、将来の深層HARクラスタリングモデルに対する標準評価設定を提案する。
  論文  参考訳（メタデータ） (2022-09-17T14:12:42Z)
• Improving Deep Learning for HAR with shallow LSTMs [70.94062293989832]
  本稿では,DeepConvLSTMを2層LSTMではなく1層LSTMに変更することを提案する。 この結果は、シーケンシャルデータを扱う場合、少なくとも2層LSTMが必要であるという信念とは対照的である。
  論文  参考訳（メタデータ） (2021-08-02T08:14:59Z)
• Real-time Human Activity Recognition Using Conditionally Parametrized Convolutions on Mobile and Wearable Devices [14.260179062012512]
  ディープ畳み込みニューラルネットワーク(CNN)は、さまざまなHARデータセットで最先端のパフォーマンスを達成した。 深い傾きの操作の多さは計算コストを増大させ,モバイルおよびウェアラブルセンサを用いたリアルタイムHARには適さない。 本研究では,モバイルおよびウェアラブルデバイス上でのリアルタイムHARのための条件パラメタライズド・コンボリューションを用いた効率的なCNNを提案する。
  論文  参考訳（メタデータ） (2020-06-05T07:06:42Z)

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。