Contrastive Left-Right Wearable Sensors (IMUs) Consistency Matching for HAR

要約

機械学習アルゴリズムは急速に改善されていますが、トレーニング データに注釈を付けることが多くのアプリケーションにとって依然としてボトルネックとなっています。
この論文では、アクティビティに存在する対称性を利用して、実際のデータを変換せずに自己教師あり学習にどのように使用できるかを示します。
私たちのアプローチには、2 つの異なるセンサー (左右の手首または脚に装着する IMU) の対照的なマッチングが含まれており、同時発生するセンサー データの表現をより類似させ、同時発生しないセンサー データの表現をより異なったものにします。
Opportunity データセットと MM-Fit データセットでアプローチをテストします。
MM-Fit では、ベースラインの教師ありおよび自己教師ありメソッド SimCLR と比較して大幅な改善が見られますが、Opportunity では、教師ありベースラインと比べて大幅な改善が見られ、SimCLR と比較するとわずかな改善が見られます。
さらに、私たちの方法は、トレーニングに少量のデータしか使用しない場合でも、教師ありベースラインを改善します。
今後の研究では、人間の活動認識システムやその他の関連アプリケーションにとって、どのような条件下で私たちの方法が有益であるかを調査する必要があります。

要約(オリジナル)

Machine learning algorithms are improving rapidly, but annotating training data remains a bottleneck for many applications. In this paper, we show how real data can be used for self-supervised learning without any transformations by taking advantage of the symmetry present in the activities. Our approach involves contrastive matching of two different sensors (left and right wrist or leg-worn IMUs) to make representations of co-occurring sensor data more similar and those of non-co-occurring sensor data more different. We test our approach on the Opportunity and MM-Fit datasets. In MM-Fit we show significant improvement over the baseline supervised and self-supervised method SimCLR, while for Opportunity there is significant improvement over the supervised baseline and slight improvement when compared to SimCLR. Moreover, our method improves supervised baselines even when using only a small amount of the data for training. Future work should explore under which conditions our method is beneficial for human activity recognition systems and other related applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google