Generalization of Fitness Exercise Recognition from Doppler Measurements by Domain-adaption and Few-Shot Learning

要約

以前の研究では、全身運動を認識するために、無改造の市販の既製スマートフォンを使用してモバイル アプリケーションが開発されました。
動作原理は、デバイス内蔵ハードウェアによる超音波ドップラー感知に基づいています。
このようなラボ環境でトレーニングされたモデルを現実的なアプリケーションのバリエーションに適用すると、パフォーマンスが大幅に低下するため、その適用性が損なわれます。
パフォーマンスが低下する理由はさまざまです。
現実的なシナリオでは、ユーザー、環境、デバイスの変化によって引き起こされる可能性があります。
このようなシナリオはより複雑で多様であることが多く、最初のトレーニング データで予測することが困難な場合があります。
この問題を研究し、克服するために、この論文では、フィットネス運動の制御されたサブセットと制御されていないサブセットを含むデータベースを紹介します。
私たちは、小さな適応データを利用して、制御されていない環境でモデルの一般化をうまく改善し、さまざまなユーザーのベースラインと比較して認識精度を 2 ～ 6 倍高めるための 2 つの概念を提案します。

要約(オリジナル)

In previous works, a mobile application was developed using an unmodified commercial off-the-shelf smartphone to recognize whole-body exercises. The working principle was based on the ultrasound Doppler sensing with the device built-in hardware. Applying such a lab-environment trained model on realistic application variations causes a significant drop in performance, and thus decimate its applicability. The reason of the reduced performance can be manifold. It could be induced by the user, environment, and device variations in realistic scenarios. Such scenarios are often more complex and diverse, which can be challenging to anticipate in the initial training data. To study and overcome this issue, this paper presents a database with controlled and uncontrolled subsets of fitness exercises. We propose two concepts to utilize small adaption data to successfully improve model generalization in an uncontrolled environment, increasing the recognition accuracy by two to six folds compared to the baseline for different users.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google