深層敵対訓練を用いたドメイン適応転倒検出【JST・京大機械翻訳】

Liu Kai-Chun; Can Michael; Kuo Heng-Cheng; Hsieh Chia-Yeh; Huang Hsiang-Yun; Chan Chia-Tai; Tsao Yu

プレプリント

J-GLOBAL ID：202202214310740580 整理番号：21P0069694

深層敵対訓練を用いたドメイン適応転倒検出【JST・京大機械翻訳】

Domain-adaptive Fall Detection Using Deep Adversarial Training

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (7件)： , , , , , ,
資料名：
発行年： 2020年12月20日プレプリントサーバーでの情報更新日： 2021年06月14日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

転倒検出(FD)システムは,救急転倒イベントと警報介護者を検出することができる健康管理のための重要な支援技術である。しかし,正確なFDシステムの実装の間,センサまたはセンサ位置のさまざまな仕様で大規模な注釈付き落下事象を得るのは容易ではない。さらに,機械学習により得られた知識は,同じ領域におけるタスクに制限されてきた。異なるドメイン間のミスマッチはFDシステムの性能を妨げる。クロスドメイン知識転送は,新しい環境において良くラベルされたデータで信頼できるFDモデルを訓練するために,機械学習ベースのFDシステムにとって非常に有益である。本研究では,交差位置および交差配置のような交差ドメイン問題に取り組むために,深い敵対訓練(DAT)を用いたドメイン適応落下検出(DAFD)を提案した。提案したDAFDは,ミスマッチ問題を回避するためのドメイン不一致を最小化することにより,ソースドメインからターゲットドメインへの知識を転送できる。実験結果は,DAFDを使用するときの平均F1スコア改善が,交差位置シナリオで1.5%から7%の範囲,交差配置シナリオで3.5%から12%までの範囲で,ドメイン適応訓練のない従来のFDモデルを使用する場合と比較して,3.5%から12%までの範囲にあることを示した。結果は,提案したDAFDが,交差ドメイン問題を扱うのを助け,より良い検出性能を達成することを示した。【JST・京大機械翻訳】

, , , , , , , ,
, , , , , 【Automatic Indexing@JST】

人工知能

, , , ,

前のページに戻る