SOS: A Shuffle Order Strategy for Data Augmentation in Industrial Human Activity Recognition

要約

人間の活動認識（HAR）の領域では、高品質と分散データを取得することは、高コストと実際の活動の固有の変動性により、依然として持続的な課題です。
この研究では、ディープラーニングアプローチ（注意オートエンコーダーと条件付き生成敵のネットワーク）による生成データセットを紹介します。
データの不均一性が重要な課題であるという別の問題は、解決策の1つがデータをシャッフルして分布を均質化することです。
実験結果は、ランダムシーケンス戦略が分類パフォーマンスを大幅に改善し、最大0.70 $ \ pm $ 0.03の精度と0.64 $ \ PM $ 0.01のマクロF1スコアを達成することを示しています。
そのためには、ランダムシーケンスを介して時間的依存性を破壊すると、モデルは瞬間的な認識に焦点を合わせ、それにより活動遷移に対する堅牢性を向上させます。
このアプローチは、効果的なトレーニングデータセットを広げるだけでなく、複雑で実世界のシナリオでHARシステムを強化するための有望な手段を提供します。

要約(オリジナル)

In the realm of Human Activity Recognition (HAR), obtaining high quality and variance data is still a persistent challenge due to high costs and the inherent variability of real-world activities. This study introduces a generation dataset by deep learning approaches (Attention Autoencoder and conditional Generative Adversarial Networks). Another problem that data heterogeneity is a critical challenge, one of the solutions is to shuffle the data to homogenize the distribution. Experimental results demonstrate that the random sequence strategy significantly improves classification performance, achieving an accuracy of up to 0.70 $\pm$ 0.03 and a macro F1 score of 0.64 $\pm$ 0.01. For that, disrupting temporal dependencies through random sequence reordering compels the model to focus on instantaneous recognition, thereby improving robustness against activity transitions. This approach not only broadens the effective training dataset but also offers promising avenues for enhancing HAR systems in complex, real-world scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google