Improving state estimation through projection post-processing for activity recognition with application to football

要約

過去 10 年間、センサデータに基づく人間の行動認識への関心が高まっている。多くの場合、センサデータはアノテーションされていないため、高速なラベリング手法の必要性が生じる。ラベリングの品質を評価するためには、適切な性能指標を選択する必要がある。我々の主な貢献は、活動認識のための新しい後処理方法である。これは、推定された非現実的な短時間活動を補正することにより、分類法の精度を向上させるものである。また、状態変化の時間の不確実性に対応した新しい性能指標であるLocally Time-Shifted Measure (LTS measure)を提案する。新しいLTS尺度を用いて、サッカーからのセンサーデータに対するシミュレーションデータセットと実際のアプリケーションに基づいて、後処理法の有効性を評価する。また、このシミュレーション研究は、後処理方法とLTS測定のパラメータの選択について議論するために使用される。

要約(オリジナル)

The past decade has seen an increased interest in human activity recognition based on sensor data. Most often, the sensor data come unannotated, creating the need for fast labelling methods. For assessing the quality of the labelling, an appropriate performance measure has to be chosen. Our main contribution is a novel post-processing method for activity recognition. It improves the accuracy of the classification methods by correcting for unrealistic short activities in the estimate. We also propose a new performance measure, the Locally Time-Shifted Measure (LTS measure), which addresses uncertainty in the times of state changes. The effectiveness of the post-processing method is evaluated, using the novel LTS measure, on the basis of a simulated dataset and a real application on sensor data from football. The simulation study is also used to discuss the choice of the parameters of the post-processing method and the LTS measure.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL