論文の概要: An Effective, Reliable, and Robust Framework for Human Activity Recognition Using Wearable Sensors

• arxiv url: http://arxiv.org/abs/2609.36848v1
• Date: Tue, 29 Sep 2026 06:59:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.250695
• Title: An Effective, Reliable, and Robust Framework for Human Activity Recognition Using Wearable Sensors
• Title（参考訳）: ウェアラブルセンサを用いた人間行動認識のための効果的で信頼性が高くロバストなフレームワーク
• Abstract要約: ウェアラブルセンサによるHAR(Human Activity Recognition)は、その複数の応用を通じて人間の生活の質を大幅に向上させる。 Harモデルは、利用可能なデータセットが小さいため、主にオーバーフィッティングに悩まされ、パフォーマンスが低下する。 本稿では,2つの側面に焦点を当てた新しいフレームワークであるALAE-TAE-CutMix+を提案する。 第二に、既存のマルチセンサーチャネルデータ拡張の欠点に対処するため、新しい拡張戦略が導入された。
• 参考スコア（独自算出の注目度）: 8.189557836911476
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Human Activity Recognition (HAR) through wearable sensors greatly improves the quality of human life through its multiple applications. For HAR, multi-sensor channel information is vital for optimal performance. Current work states that applying an attention neural network to prioritize discriminatory sensor channels helps the model classify activity more precisely. However, obtaining discriminatory information from multisensory channels is not always trivial, such as when collecting data from older hospitalized patients. In this context, existing HAR methods struggle to classify activities, particularly activities with similar natures. Moreover, HAR models predominantly suffer from overfitting due to the small size of available datasets, which leads to poor performance. Data augmentation (DA) is a viable solution to this problem. However, available DA methods have various drawbacks, including the possibility of being domain-dependent, resulting in distorted models for test sequences. To address these HAR problems, we propose a novel framework, ALAE-TAE-CutMix+, which focuses on two aspects. First, it enhances the latent information across each sensor channel and learns to exploit the relation among multiple latent features and the ongoing activity. Consequently, the discriminatory feature representations of each activity is enriched. Second, a new augmentation strategy is introduced to address the shortcomings of existing multi-sensor channel data augmentation. We then extend the framework to create a further enhanced version, namely ALAE-CIE-TAE-CutMix+, which learns to capture the interactions between the features of each pair of sensor channels. We find that although the first framework performs slightly better than the latter, the latter is nonetheless more reliable and robust. Both frameworks significantly outperform SOTA approaches on the four HAR datasets from diverse domains.
• Abstract（参考訳）: ウェアラブルセンサによるHAR(Human Activity Recognition)は、その複数の応用を通じて人間の生活の質を大幅に向上させる。 HARにとって、マルチセンサチャネル情報は最適な性能に不可欠である。 現在の研究によると、注意ニューラルネットワークを識別センサーチャネルの優先順位付けに応用することは、モデルがより正確に活動の分類に役立ちます。 しかし,高齢入院患者からのデータを収集する場合など,多感覚チャンネルから識別情報を取得することは必ずしも容易ではない。 この文脈では、既存のHARメソッドはアクティビティ、特に同様の性質のアクティビティを分類するのに苦労する。 さらに、HARモデルは、利用可能なデータセットの小さいため、主に過度な適合に苦しむため、パフォーマンスが低下する。 データ拡張(DA)は、この問題に対する実行可能なソリューションです。 しかし、利用可能なDAメソッドには、ドメインに依存しない可能性など、さまざまな欠点があり、結果としてテストシーケンスの歪んだモデルが得られる。 これらのHAR問題に対処するため、我々は2つの側面に焦点を当てた新しいフレームワークALAE-TAE-CutMix+を提案する。 まず、各センサチャネルにまたがる潜伏情報を強化し、複数の潜伏特徴と継続する活動の関係を活用することを学ぶ。 これにより、各アクティビティの識別的特徴表現が豊かになる。 第二に、既存のマルチセンサーチャネルデータ拡張の欠点に対処するため、新しい拡張戦略が導入された。 次に、フレームワークを拡張して、さらに拡張されたバージョンであるALAE-CIE-TAE-CutMix+を作成します。 最初のフレームワークは後者よりわずかに優れているが、後者は信頼性が高く、堅牢である。 どちらのフレームワークも、多様なドメインの4つのHARデータセットにおいて、SOTAアプローチを著しく上回っている。

関連論文リスト

• USAD: End-to-End Human Activity Recognition via Diffusion Model with Spatiotemporal Attention [8.061018589897277]
  人間の活動認識は、健康モニタリング、安全保護、スポーツ分析に幅広い応用を見出すタスクである。 研究の進展にもかかわらず、ヒトの活動認識は、稀な活動のためのラベル付きサンプルの不足など、依然として重要な課題に直面している。 本稿では,マルチアテンション相互作用機構に着目した包括的な最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-07-03T17:38:44Z)
• 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)
• Learning Feature Inversion for Multi-class Anomaly Detection under General-purpose COCO-AD Benchmark [101.23684938489413]
  異常検出(AD)は、しばしば産業品質検査や医学的病変検査のための異常の検出に焦点が当てられている。 この研究はまず、COCOをADフィールドに拡張することにより、大規模で汎用的なCOCO-ADデータセットを構築する。 セグメンテーション分野のメトリクスにインスパイアされた我々は、より実用的なしきい値に依存したAD固有のメトリクスをいくつか提案する。
  論文  参考訳（メタデータ） (2024-04-16T17:38:26Z)
• Disentangling Imperfect: A Wavelet-Infused Multilevel Heterogeneous Network for Human Activity Recognition in Flawed Wearable Sensor Data [30.213716132980874]
  センサデータ解析のためのマルチレベルヘテロジニアスニューラルネットワーク MHNN を提案する。 センサデータからマルチレベル離散ウェーブレット分解法を用いてマルチレゾリューション特徴を抽出する。 提案したモデルに,マルチスケール特徴の学習を可能にする異種特徴抽出器を装備する。
  論文  参考訳（メタデータ） (2024-01-26T06:08:49Z)
• Self-supervised New Activity Detection in Sensor-based Smart Environments [2.5486448837945765]
  我々は、新しいアクティビティ検出のための多様なデータ拡張を伴うコントラスト学習を利用するモデルであるCLANを紹介する。 CLANは時間領域と周波数領域の両方を組み込んでおり、多面的識別表現の学習を可能にしている。 CLANは、最高のパフォーマンスのベースラインモデルと比較して、AUROCの9.24%の改善を実現している。
  論文  参考訳（メタデータ） (2024-01-17T03:57:36Z)
• UMSNet: An Universal Multi-sensor Network for Human Activity Recognition [10.952666953066542]
  本稿では,人間行動認識のためのユニバーサルマルチセンサネットワーク(UMSNet)を提案する。 特に,新しい軽量センサ残差ブロック(LSRブロック)を提案する。 我々のフレームワークは明確な構造を持ち、様々な種類のマルチモーダル時系列分類タスクに直接適用することができる。
  論文  参考訳（メタデータ） (2022-05-24T03:29:54Z)
• Domain Attention Consistency for Multi-Source Domain Adaptation [100.25573559447551]
  主な設計は、伝達可能な特徴(属性)を識別することを目的とした機能チャネルアテンションモジュールである。 3つのMSDAベンチマーク実験により、DAC-Netは、それらすべてに対して、新たなパフォーマンスを実現することが示された。
  論文  参考訳（メタデータ） (2021-11-06T15:56:53Z)
• Invariant Feature Learning for Sensor-based Human Activity Recognition [11.334750079923428]
  被験者やデバイス間で共有される共通情報を抽出する不変特徴学習フレームワーク(IFLF)を提案する。 実験により、IFLFは、一般的なオープンデータセットと社内データセットをまたいだ主題とデバイスディバージョンの両方を扱うのに効果的であることが示された。
  論文  参考訳（メタデータ） (2020-12-14T21:56:17Z)
• 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)
• Semantics-aware Adaptive Knowledge Distillation for Sensor-to-Vision Action Recognition [131.6328804788164]
  本稿では,視覚・センサ・モダリティ(動画)における行動認識を強化するためのフレームワーク,Semantics-Aware Adaptive Knowledge Distillation Networks (SAKDN)を提案する。 SAKDNは複数のウェアラブルセンサーを教師のモダリティとして使用し、RGB動画を学生のモダリティとして使用している。
  論文  参考訳（メタデータ） (2020-09-01T03:38:31Z)

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。