On the Benefit of Generative Foundation Models for Human Activity Recognition

要約

人間活動認識 (HAR) では、利用可能な注釈付きデータが限られていることが大きな課題となります。
大規模言語モデル (LLM) やモーション合成モデルなどの生成 AI の最新の進歩からインスピレーションを得て、生成 AI はテキスト記述から仮想 IMU データを自律的に生成することで、このデータ不足に対処できると考えています。
これに加えて、ベンチマーク データセットの生成、HAR に固有の基礎モデルの開発、HAR 内の階層構造の探索、複雑なアクティビティの分析、および
健康センシングとアクティビティの要約。

要約(オリジナル)

In human activity recognition (HAR), the limited availability of annotated data presents a significant challenge. Drawing inspiration from the latest advancements in generative AI, including Large Language Models (LLMs) and motion synthesis models, we believe that generative AI can address this data scarcity by autonomously generating virtual IMU data from text descriptions. Beyond this, we spotlight several promising research pathways that could benefit from generative AI for the community, including the generating benchmark datasets, the development of foundational models specific to HAR, the exploration of hierarchical structures within HAR, breaking down complex activities, and applications in health sensing and activity summarization.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google