論文の概要: GenHAR: Generalizing Cross-domain Human Activity Recognition for Last-mile Delivery

• arxiv url: http://arxiv.org/abs/2605.22086v1
• Date: Thu, 21 May 2026 07:27:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 20:14:18.527929
• Title: GenHAR: Generalizing Cross-domain Human Activity Recognition for Last-mile Delivery
• Title（参考訳）: GenHAR:ラストマイル配送のためのクロスドメインヒューマンアクティビティ認識の一般化
• Authors: Zhiqing Hong, Zelong Li, Xiubin Fan, Guang Yang, Baoshen Guo, Haotian Wang, Tian He, Desheng Zhang,
• Abstract要約: GenHARは、ドメイン不変のセンサー表現を学習することで、ドメインギャップを軽減するために設計されたフレームワークである。 我々は、実世界の人間の活動データセット上で、GenHARを最先端のHAR手法と比較することにより、GenHARの体系的解析を行う。 その結果、GenHARは最先端の手法を9.97%精度で上回り、浮動小数点演算を6.4倍に削減した。
• 参考スコア（独自算出の注目度）: 27.544214978871082
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human Activity Recognition (HAR) has shown remarkable effectiveness in various applications, such as smart healthcare and intelligent manufacturing. However, a major challenge faced by HAR is the distribution shift across different sensor data domains, which often leads to decreased performance when deployed for real-world applications. To address this issue, this paper introduces GenHAR, a novel framework designed to mitigate the domain gap by learning domain-invariant sensor representations. GenHAR aims to enhance the generalization capabilities of HAR on target domains purely with data from the source domain. The key novelty of GenHAR lies in two aspects. Firstly, GenHAR tokenizes sensor data and learns correlations among frequency sensor channel dimensions to improve the robustness of HAR models. Secondly, GenHAR improves the efficiency via selective masking and an efficient attention mechanism. We conduct a systematic analysis of GenHAR by comparing it with state-of-the-art HAR methods on real-world human activity datasets. Results show that GenHAR outperforms state-of-the-art methods by 9.97% in accuracy, and reduces Floating Point Operations by 6.4 times. Moreover, we deploy GenHAR at a leading logistics company in 4 cities, and have detected 2.15 billion real-time activities. We release our code at: https://github.com/Sensor-FoundationModel/GenHAR.
• Abstract（参考訳）: HAR(Human Activity Recognition)は、スマートヘルスケアやインテリジェントな製造など、様々な応用において顕著な効果を示している。 しかし、HARが直面する大きな課題は、さまざまなセンサーデータドメイン間の分散シフトである。 本稿では,ドメイン不変なセンサ表現を学習することにより,領域ギャップを軽減するための新しいフレームワークであるGenHARを紹介する。 GenHARは、ソースドメインのデータで純粋にターゲットドメイン上のHARの一般化機能を強化することを目的としている。 GenHARの重要な新規性は2つの側面にある。 まず、GenHARはセンサデータをトークン化し、周波数センサチャネル次元間の相関を学習し、HARモデルの堅牢性を改善する。 第2に、GenHARは選択的マスキングと効率的な注意機構によって効率を向上する。 我々は、実世界の人間の活動データセット上で、GenHARを最先端のHAR手法と比較することにより、GenHARの体系的解析を行う。 その結果、GenHARは最先端の手法を9.97%精度で上回り、浮動小数点演算を6.4倍に削減した。 さらに,4都市の主要物流会社にGenHARを配備し,215億のリアルタイム活動を検出した。 私たちは、https://github.com/Sensor-FoundationModel/GenHARでコードをリリースします。

関連論文リスト

• BenchHAR: Benchmarking Self-Supervised Learning for Generalizable Sensor-based Activity Recognition [20.30670002928755]
  ウェアラブルセンサーからのヒューマンアクティビティ認識(HAR)は、幅広い医療や行動科学の応用をサポートする。 視覚領域と言語領域における自己教師あり学習(SSL)の最近の進歩は、ラベルなしデータから一般化可能な表現を学習する強力な能力を示している。 センサベースHARにおけるSSL手法の一般化能力を評価するための統合フレームワークであるBenchHARについて述べる。
  論文  参考訳（メタデータ） (2026-05-08T10:54:12Z)
• TinierHAR: Towards Ultra-Lightweight Deep Learning Models for Efficient Human Activity Recognition on Edge Devices [3.6089782567449142]
  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。
  論文  参考訳（メタデータ） (2025-07-10T17:33:52Z)
• DISCOVER: Data-driven Identification of Sub-activities via Clustering and Visualization for Enhanced Activity Recognition in Smart Homes [46.86909768552777]
  本研究では,未ラベルセンサデータから詳細な人間のサブアクティビティを検出する手法であるdiscoVERについて,事前のセグメンテーションに頼ることなく紹介する。 広範に使用されているHARデータセットに対する再注釈演習を通じて,その効果を実証する。
  論文  参考訳（メタデータ） (2025-02-11T20:02:24Z)
• Large Language Model-Guided Semantic Alignment for Human Activity Recognition [14.934473748133422]
  Inertial Measurement Unit(IMU)センサーを用いたHAR(Human Activity Recognition)は、医療、安全、産業生産における応用において重要である。 アクティビティパターン、デバイスタイプ、センサー配置の変化は、データセット間の分散ギャップを生成する。 本稿では,センサの読み書きとアクティビティラベルのセマンティック解釈を生成するシステムであるLanHARを提案する。
  論文  参考訳（メタデータ） (2024-09-12T22:57:29Z)
• When Neural Networks Fail to Generalize? A Model Sensitivity Perspective [82.36758565781153]
  ドメイン一般化 (Domain Generalization, DG) は、異なる分布の下で見えないドメインでうまく機能するようにモデルを訓練することを目的としている。 本稿では,より現実的で,より困難なシナリオである単一領域一般化(Single-DG)について考察する。 我々は「モデル感度」と命名する一般化と強く相関するモデルの性質を経験的に確認する。 本稿では、高感度の周波数をターゲットとした拡張画像を生成するために、スペクトル逆データ拡張(SADA)の新たな戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-01T20:15:15Z)
• 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)
• Beyond the Gates of Euclidean Space: Temporal-Discrimination-Fusions and Attention-based Graph Neural Network for Human Activity Recognition [5.600003119721707]
  ウェアラブルデバイスによるヒューマンアクティビティ認識(HAR)は、フィットネストラッキング、ウェルネススクリーニング、生活支援など多くの応用により、大きな関心を集めている。 従来のディープラーニング(DL)は、HARドメインのアートパフォーマンスの状態を規定している。 提案手法はグラフニューラルネットワーク(GNN)を用いて,入力表現を構造化し,サンプル間の関係性を利用する手法である。
  論文  参考訳（メタデータ） (2022-06-10T03:04:23Z)
• 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)
• DecAug: Augmenting HOI Detection via Decomposition [54.65572599920679]
  現在のアルゴリズムでは、データセット内のトレーニングサンプルやカテゴリの不均衡が不足している。 本稿では,HOI検出のためのDECAugと呼ばれる効率的かつ効率的なデータ拡張手法を提案する。 実験の結果,V-COCOおよびHICODETデータセットの3.3mAPと1.6mAPの改善が得られた。
  論文  参考訳（メタデータ） (2020-10-02T13:59:05Z)

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。