Deep Learning For Time Series Analysis With Application On Human Motion

要約

時間の経過とともに等間隔のポイントで定義される時系列データは、医学、通信、エネルギーなどの分野で不可欠です。
分析には、分類、クラスタリング、プロトタイピング、回帰などのタスクが含まれます。
分類は、スケルトンベースのモーションシーケンスの通常の動きと異常な動きを識別し、クラスタリングは株式市場の行動パターンを検出し、プロトタイピングは理学療法データセットを拡張し、回帰は患者の回復を予測します。
ディープラーニングは最近、他のドメインで成功したため、時系列分析で牽引力を獲得しました。
この論文は、深い学習を活用して、機能エンジニアリングによる分類を強化し、基礎モデルを導入し、コンパクトでありながら最先端のアーキテクチャを開発します。
また、限られたラベル付きデータを自己監督した学習を備えています。
当社の貢献は、行動認識とリハビリテーションのための人間の動き分析を含む、現実世界のタスクにも適用されます。
映画の生産とゲームに貴重な人間のモーションデータの生成モデルを紹介します。
プロトタイピングの場合、データが不足している場合に回帰モデルをサポートする形状ベースの合成サンプル生成方法を提案します。
最後に、識別モデルと生成モデルを批判的に評価し、現在の方法論の制限を特定し、堅牢で標準化された評価フレームワークを提唱します。
パブリックデータセットでの実験は、新しい洞察と方法論を提供し、実用的なアプリケーションで時系列分析を進めます。

要約(オリジナル)

Time series data, defined by equally spaced points over time, is essential in fields like medicine, telecommunications, and energy. Analyzing it involves tasks such as classification, clustering, prototyping, and regression. Classification identifies normal vs. abnormal movements in skeleton-based motion sequences, clustering detects stock market behavior patterns, prototyping expands physical therapy datasets, and regression predicts patient recovery. Deep learning has recently gained traction in time series analysis due to its success in other domains. This thesis leverages deep learning to enhance classification with feature engineering, introduce foundation models, and develop a compact yet state-of-the-art architecture. We also address limited labeled data with self-supervised learning. Our contributions apply to real-world tasks, including human motion analysis for action recognition and rehabilitation. We introduce a generative model for human motion data, valuable for cinematic production and gaming. For prototyping, we propose a shape-based synthetic sample generation method to support regression models when data is scarce. Lastly, we critically evaluate discriminative and generative models, identifying limitations in current methodologies and advocating for a robust, standardized evaluation framework. Our experiments on public datasets provide novel insights and methodologies, advancing time series analysis with practical applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google