論文の概要: Towards Field-Deployable Wearable IMU Systems for Occupational Activity Recognition
- arxiv url: http://arxiv.org/abs/2610.31160v1
- Date: Thu, 22 Oct 2026 12:16:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-24 02:08:44.370049
- Title: Towards Field-Deployable Wearable IMU Systems for Occupational Activity Recognition
- Title（参考訳）: 作業行動認識のためのフィールド展開型ウェアラブルIMUシステムの実現に向けて
- Abstract要約: LOSOの精度は61.9%から88.7%の範囲である。
マルチセンサー・フュージョンとより長いウィンドウはどちらも精度を向上させる。
条件付きタブラルGAN拡張は精度を積極的に損なう。
パーソナライズド・キャリブレーションは 最弱の参加者のpを回復する わずか16.8%のデータから
- 参考スコア（独自算出の注目度）: 0.5872014229110213
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Wearable inertial measurement unit (IMU) systems for construction worker human activity recognition (HAR) routinely report aggregate accuracies above 95 %, rarely under genuine subject-independent (leave-one-subject-out (LOSO)) evaluation, masking the per-individual variance that determines real-world deployment performance. Using the VTT-ConIoT benchmark, we conduct, to our knowledge, the first systematic configuration sensitivity analysis of this dataset: six classifiers across five sensor placements and three window sizes under a single LOSO protocol, a personalised-calibration pilot, and a validated comparison of tabular GAN-based and standard time-series augmentation. Per-subject LOSO accuracy for the main multi-sensor, 16-class configuration ranges from 61.9 % to 88.7 % (mean 77.5 %), a 27 pp spread, though all data are laboratory-collected. Multi-sensor fusion and longer windows both improve accuracy; standard augmentation gives small, consistent gains, while Conditional Tabular GAN (CTGAN) augmentation actively harms accuracy with a demonstrated distributional-fidelity mechanism; and personalised calibration recovers 16.8 pp for the weakest participants from just 30 % of their own data. These findings provide evidence-grounded configuration guidance for scaling occupational body sensor networks towards field deployment
- Abstract（参考訳）: 建設作業者人間活動認識(HAR)のためのウェアラブル慣性測定装置(IMU)システムは、実際の被写体独立性(リーブワン・オブジェクトアウト(LOSO)評価下において、実際の展開性能を決定する個人ごとの分散を隠蔽し、95%以上の集計精度を日常的に報告する。
VTT-ConIoTベンチマークを用いて、このデータセットの最初の体系的構成感度分析を行い、単一のLOSOプロトコルの下で5つのセンサー配置と3つのウィンドウサイズにまたがる6つの分類器、パーソナライズされた校正パイロット、および表型GANおよび標準時系列拡張の検証された比較を行う。
メインのマルチセンサーのLOSO毎の精度は61.9 %から88.7 %(平均77.5 %)まで変化しているが、全てのデータは実験室で収集されている。
マルチセンサーの融合とウィンドウの延長により精度が向上し、標準拡張は小さく一貫した利得を与える一方、条件付きタブラルGAN(CTGAN)拡張は、実証された分布-忠実性のメカニズムによって精度を積極的に害し、パーソナライズされた校正は、最も弱い参加者の30%から16.8ppを回復させる。
これらの知見は、現場展開に向けた作業体センサネットワークのスケーリングのためのエビデンスに基づく構成ガイダンスを提供する。
関連論文リスト
- Open ultrasound foundation model for robust segmentation and clinical measurement across heterogeneous settings [66.3653308198376]
SonoCorpusは、24の臨床応用と17の国にまたがる53のパブリックデータセットから、456,963のイメージと1,626,085のエキスパートマスクを統合するオープンリソースである。
SonoBaseは、事前にトレーニングされたインタラクティブセグメンテーション基盤モデルである。
論文 参考訳（メタデータ） (2026-09-16T15:34:21Z) - Sensing Which Modality Matters: Evidence-Gated Regularization for Robust VLA Policies [36.174462532201964]
EGR(Evidence-Gated Regularization)は、推論時間オーバーヘッドをゼロにするモダリティに依存しないトレーニング目標である。
EGRは2つの状態条件の整合性をゲートするフレーム単位とセンサ単位のタスク関連シグナルを導出する。
EGRをBEHAVIOR-1Kに基づくベンチマークで検証し,高速な推論専用診断スイートとロールアウトに基づく47のスキルを備える。
論文 参考訳（メタデータ） (2026-09-02T20:25:21Z) - Vision-Language Models for Analog Gauge Reading: An Empirical Study of Specialization, Transfer and Reliability [3.112410411428948]
本研究は,汎用視覚言語モデル(VLM)の特殊化,伝達,堅牢性,信頼性の体系的評価である。
Qwen2.5-VL-7B-インストラクトモデルは、ゼロショットプロンプト、インコンテキストラーニング(ICL)、および量子化低ランク適応(QLoRA)を用いたパラメータ効率の微調整を用いて評価される。
最高の微調整MPE値は、95%信頼区間(CI)が1.43-3.90%、圧力ゲージデータセットが2.61%、CIが1.66-3.80%、および4.4の合成データセットで2.39%である。
論文 参考訳（メタデータ） (2026-08-18T12:47:14Z) - EMAS: Stabilizing Multi-Agent System Evolution through Evidence-Guided Revision [49.07453709918038]
EMAS (Evolving Multi-Agent System) を導入し, LLMパラメータを更新せずにMASトポロジとプロンプトを更新する。
4つのベンチマークと2つのLSMで、EMASは両方のバックボーンに対してタスク重み付き全体の精度が最も高い。
EMASは新しいサンプルからMASトポロジとプロンプトの更新を再利用できる。
論文 参考訳（メタデータ） (2026-08-07T13:11:42Z) - Beyond Activation Alignment:The Alignment-Diversity Tradeoff in Task-Aware LLM Quantization [36.286359836094086]
キャリブレーションデータ合成と混合精度ビット割り当てを協調的に最適化するためのTAS(Task-Aware Sensitivity Analysis)を提案する。
LLaMA-3-8B と Qwen2.5-7B の実験では精度の反転が明らかにされている。
論文 参考訳（メタデータ） (2026-07-01T13:12:21Z) - Design and Validation of a Lightweight 1D CNN for Affective Touch Classification in Soft Plush Companions [59.49967357689445]
ソフトなセンサー付きコンパニオンは、社会的支援技術のための物理的に安全で感情的に直感的なインターフェースを提供する。
本研究では,ソフト・インタラクティブ・コンパニオンにおける感情的触覚認識のためのディープラーニングモデルの開発と検証を目的とした,オープンソースで拡張されたリアルタイムフレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-16T10:20:05Z) - How well are open sourced AI-generated image detection models out-of-the-box: A comprehensive benchmark study [5.740397289924559]
普遍的な勝者は存在せず、検出器のランキングはかなり不安定である。
我々の発見は、全能検出器のパラダイムに挑戦した。
論文 参考訳（メタデータ） (2026-02-08T04:36:13Z) - Design Space Exploration on Efficient and Accurate Human Pose Estimation
from Sparse IMU-Sensing [0.04594153909580514]
HPE(Human Pose Estimation)は、スポーツ、リハビリテーション、仕事の安全などにおいて、個人データを損なうことなく正確な感覚を必要とする。
ハードウェアリソースの正確性と効率的な利用との間の中心的なトレードオフは、研究ではほとんど議論されない。
我々は、センサ構成の異なる公開ボディモデルデータセットからIMUデータを生成し、このデータでディープラーニングモデルをトレーニングする。
論文 参考訳（メタデータ） (2023-07-21T13:36:49Z) - Inertial Hallucinations -- When Wearable Inertial Devices Start Seeing
Things [82.15959827765325]
環境支援型生活(AAL)のためのマルチモーダルセンサフュージョンの新しいアプローチを提案する。
我々は、標準マルチモーダルアプローチの2つの大きな欠点、限られた範囲のカバレッジ、信頼性の低下に対処する。
我々の新しいフレームワークは、三重項学習によるモダリティ幻覚の概念を融合させ、異なるモダリティを持つモデルを訓練し、推論時に欠落したセンサーに対処する。
論文 参考訳（メタデータ） (2022-07-14T10:04:18Z) - ERNIE-SPARSE: Learning Hierarchical Efficient Transformer Through
Regularized Self-Attention [48.697458429460184]
情報ボトルネック感度と異なる注目トポロジ間の不整合の2つの要因がスパース変換器の性能に影響を及ぼす可能性がある。
本稿では,ERNIE-Sparseというモデルを提案する。
i) 局所情報とグローバル情報を逐次統一する階層スパース変換器(HST) と、(ii) 注意トポロジの異なる変換器の距離を最小化する自己注意正規化(SAR) の2つの特徴がある。
論文 参考訳（メタデータ） (2022-03-23T08:47:01Z) - DAPPER: Label-Free Performance Estimation after Personalization for
Heterogeneous Mobile Sensing [95.18236298557721]
DAPPER(Domain AdaPtation Performance EstimatoR)を提案する。
実世界の6つのベースラインと比較した4つのセンシングデータセットによる評価の結果,DAPPERの精度は39.8%向上した。
論文 参考訳（メタデータ） (2021-11-22T08:49:33Z)
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。