論文の概要: An Algorithm for On-Sensor Agnostic Detection of Changes in Human Activity for Ultra-Low-Power Applications
- arxiv url: http://arxiv.org/abs/2605.00870v1
- Date: Fri, 24 Apr 2026 11:28:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-11 06:56:26.483377
- Title: An Algorithm for On-Sensor Agnostic Detection of Changes in Human Activity for Ultra-Low-Power Applications
- Title（参考訳）: 超低消費電力応用のためのオンセンサによる人間の活動変化検出アルゴリズム
- Authors: Sara Rimoldi, Arianna De Vecchi, Hazem Hesham Yousef Shalby, Federica Villa,
- Abstract要約: Inertial Measurement Units (IMUs) 上でHAR(Human Activity Recognition)を動作させるウェアラブルデバイスは、不活性の長い期間であっても、各ウィンドウに対して連続的な分類を行うことにより、無駄エネルギーを消費する。
動的テンプレートマッチングに基づく非パラメトリックアルゴリズムは、1ステップあたり16kFLOPしか実行せず、オフライントレーニングを必要とせず、ターゲットアクティビティクラスを事前に定義する必要もない。
ゲートはアクティビティの変更を検出する場合にのみフルHARネットワークを起動し、リアルな監視設定で計算負荷を67%以上削減する。
- 参考スコア（独自算出の注目度）: 0.3181700357675698
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Wearable devices running Human Activity Recognition(HAR) on Inertial Measurement Units~(IMUs) waste energy by performing continuous classification for each window, even during long periods of unchanged activity. We address this with a lightweight change-detection gate: a non-parametric algorithm based on dynamic template matching that runs continuously at only approximately 16kFLOPs per step, requires no offline training, and does not need prior definition of target activity classes. The gate invokes the full HAR network only when it detects an activity change, reducing the computational load by over 67% in realistic monitoring settings. The algorithm is evaluated on smart glasses, smartwatch, and smartphone data, requiring only a brief device-specific calibration phase. The gate achieves 98% sensitivity on UCA-EHAR, ensuring no genuine activity transition is missed, while 75% specificity keeps unnecessary HAR invocations low. Results on WISDM are 97% sensitivity and 76% specificity, demonstrating robustness and flexibility to various settings.
- Abstract（参考訳）: Inertial Measurement Units〜(IMUs)の無駄エネルギーでHAR(Human Activity Recognition)を実行するウェアラブルデバイス。
動的テンプレートマッチングに基づく非パラメトリックアルゴリズムは、1ステップあたり16kFLOPしか実行せず、オフライントレーニングを必要とせず、ターゲットアクティビティクラスを事前に定義する必要もない。
ゲートはアクティビティの変更を検出する場合にのみフルHARネットワークを起動し、リアルな監視設定で計算負荷を67%以上削減する。
このアルゴリズムは、スマートグラス、スマートウォッチ、スマートフォンのデータに基づいて評価され、デバイス固有のキャリブレーションフェーズだけを必要とする。
ゲートはUCA-EHARに対して98%の感度を達成し、真の活性遷移が失われないようにし、75%の特異性は不必要なHARの呼び出しを低く保っている。
WISDMの結果は、感度97%、特異度76%で、さまざまな設定に対して堅牢性と柔軟性を示す。
関連論文リスト
- Amped: Adaptive Multi-stage Non-edge Pruning for Edge Detection [53.59823657644554]
エッジ検出のための適応型多段非エッジプルーニングフレームワーク(Amped)を提案する。
Ampedは高信頼の非エッジトークンを識別し、可能な限り早く削除し、計算を大幅に削減する。
既存のエッジ検出ネットワークの構造的複雑さを軽減するため,Streamline Edge Detector(SED)と呼ばれる,シンプルながら高性能なTransformerベースのモデルを導入する。
論文 参考訳（メタデータ） (2026-03-29T12:26:35Z) - Gated Adaptation for Continual Learning in Human Activity Recognition [4.252135605345159]
AIモデルは、しばしば破滅的な忘れ込みを示し、新しいタスクを学ぶことは、以前のタスクのパフォーマンスを低下させる。
凍結した事前学習表現のチャネルワイドゲート変調に基づくパラメータ効率の連続学習フレームワークを提案する。
我々のアプローチでは、忘れを39.7%から16.2%に減らし、最終精度を56.7%から77.7%に改善する一方で、パラメータの2%未満のトレーニングを行っている。
論文 参考訳（メタデータ） (2026-03-08T18:34:42Z) - Pushing Trade-Off Boundaries: Compact yet Effective Remote Sensing Change Detection [5.686242146196292]
FlickCDは高速なフリックで素晴らしい結果が得られることを意味し、パフォーマンスとリソースのトレードオフの境界を押し進めます。
FlickCDは、最先端(SOTA)のパフォーマンスを達成しつつ、計算とストレージのオーバーヘッドを1桁以上削減する。
論文 参考訳（メタデータ） (2025-06-26T09:06:52Z) - MR-GDINO: Efficient Open-World Continual Object Detection [58.066277387205325]
本稿では,従来型,新しい,目に見えないカテゴリに一般化するために,検出器を必要とするオープンワールド連続物体検出タスクを提案する。
本稿では,検出能力を評価するためのOW-CODベンチマークを提案する。
そこで我々は,記憶と検索機構を通じて,強力な,効率的でスケーラブルなベースラインであるMR-GDINOを提案する。
論文 参考訳（メタデータ） (2024-12-20T15:22:51Z) - Step Counting with Attention-based LSTM [4.706263507340607]
ステップカウント(英: Step Counting)とは、特定の時間と空間にまたがるステップの数を自動的にカウントすることである。
スマートフォンやスマートウォッチの普及により、現在のSCアプローチのほとんどは、これらのデバイスに内蔵されている加速度センサーに依存している。
本稿では,多対一の注意に基づくLSTMを用いた新しいSC手法を提案する。
論文 参考訳（メタデータ） (2022-11-18T03:33:57Z) - Braille Letter Reading: A Benchmark for Spatio-Temporal Pattern
Recognition on Neuromorphic Hardware [50.380319968947035]
近年の深層学習手法は,そのようなタスクにおいて精度が向上しているが,従来の組込みソリューションへの実装は依然として計算量が非常に高く,エネルギーコストも高い。
文字読み込みによるエッジにおける触覚パターン認識のための新しいベンチマークを提案する。
フィードフォワードとリカレントスパイキングニューラルネットワーク(SNN)を、サロゲート勾配の時間によるバックプロパゲーションを用いてオフラインでトレーニングし比較し、効率的な推論のためにIntel Loihimorphicチップにデプロイした。
LSTMは14%の精度で繰り返しSNNより優れており、Loihi上での繰り返しSNNは237倍のエネルギーである。
論文 参考訳（メタデータ） (2022-05-30T14:30:45Z) - ETAD: A Unified Framework for Efficient Temporal Action Detection [70.21104995731085]
時間的行動検出(TAD)のようなトリミングされていないビデオ理解は、しばしば計算資源に対する膨大な需要の苦痛に悩まされる。
我々は、効率的なエンド・ツー・エンドの時間的行動検出(ETAD)のための統合されたフレームワークを構築している。
ETADはTHUMOS-14とActivityNet-1.3の両方で最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2022-05-14T21:16:21Z) - SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection
Classifier [68.8204255655161]
神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。
移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。
SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
論文 参考訳（メタデータ） (2021-10-01T23:01:20Z) - Optimal Sequential Detection of Signals with Unknown Appearance and
Disappearance Points in Time [64.26593350748401]
本論文は、変化の期間が有限で未知であると仮定して、逐次的な変化点検出問題に対処する。
我々は、所定の時間(または空間)ウィンドウにおける最小検出確率を最大化する信頼性の高い最大変更検出基準に焦点を当てる。
FMAアルゴリズムは、光学画像中の衛星のかすかなストリークを検出するために応用される。
論文 参考訳（メタデータ） (2021-02-02T04:58:57Z) - AdaSense: Adaptive Low-Power Sensing and Activity Recognition for
Wearable Devices [2.0119495998780925]
AdaSenseは、人間活動認識のためのセンシング、特徴抽出、分類を併用したフレームワークである。
このフレームワークは、精度とエネルギートレードオフのパレットフロンティアを表す構成を選択する。
提案手法は, センサの消費電力を69%削減し, 動作認識精度は1.5%以下である。
論文 参考訳（メタデータ） (2020-06-10T15:17:11Z)
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。