Maintenance Required: Updating and Extending Bootstrapped Human Activity Recognition Systems for Smart Homes

要約

スマートホーム向けの人間活動認識 (HAR) システムの開発は、住宅のレイアウトや個人設定が多様であること、また居住者の特異な行動があるため、簡単ではありません。
そのため、既製の HAR システムは個々の家庭の限られた容量で有効であり、HAR システムは多くの場合「最初から」作成する必要があり、これには多大な労力がかかり、多くの場合、居住者にとって負担となります。
以前の研究では、初期段階をターゲットにすることに成功しました。
この初期フェーズの終わりに、シード ポイントを特定します。
当社はブートストラップ型 HAR システムを基盤として構築し、絶え間なく変化する生活環境に対応することを目的として、HAR システムを継続的に改善するための効果的な更新および拡張手順を導入しています。
私たちの方法では、初期ブートストラップ フェーズの最後に特定されたシード ポイントを利用します。
対照的な学習フレームワークは、これらのシード ポイントと、それに対して取得されたラベルを使用してトレーニングされます。
このモデルは、特定された顕著なアクティビティのセグメンテーションの精度を向上させるために使用されます。
この手順によるアクティビティ認識システムの改善は、スマート ホームでの日常的なアクティビティの大部分をモデル化するのに役立ちます。
私たちは、CASAS データセットでの実験を通じて、私たちのアプローチの実際的な価値を示す実験を通じて、私たちの手順の有効性を実証します。

要約(オリジナル)

Developing human activity recognition (HAR) systems for smart homes is not straightforward due to varied layouts of the homes and their personalized settings, as well as idiosyncratic behaviors of residents. As such, off-the-shelf HAR systems are effective in limited capacity for an individual home, and HAR systems often need to be derived ‘from scratch’, which comes with substantial efforts and often is burdensome to the resident. Previous work has successfully targeted the initial phase. At the end of this initial phase, we identify seed points. We build on bootstrapped HAR systems and introduce an effective updating and extension procedure for continuous improvement of HAR systems with the aim of keeping up with ever changing life circumstances. Our method makes use of the seed points identified at the end of the initial bootstrapping phase. A contrastive learning framework is trained using these seed points and labels obtained for the same. This model is then used to improve the segmentation accuracy of the identified prominent activities. Improvements in the activity recognition system through this procedure help model the majority of the routine activities in the smart home. We demonstrate the effectiveness of our procedure through experiments on the CASAS datasets that show the practical value of our approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google