Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

Uniendo la generalización y la personalización en el reconocimiento de la actividad humana mediante dispositivos portátiles mediante el aprendizaje de pocos disparos en el dispositivo

Created by
  • Haebom

Autor

Pixi Kang, Julian Moosmann, Mengxi Liu, Bo Zhou, Michele Magno, Paul Lukowicz, Sizhen Bian

Describir

Este artículo propone un novedoso marco de aprendizaje de pocos disparos en el dispositivo que mejora simultáneamente la generalización y el rendimiento personalizado al considerar las variaciones específicas del usuario en el reconocimiento de la actividad humana (HAR) mediante dispositivos portátiles. Para abordar la degradación de la generalización de los modelos HAR existentes debido a las variaciones específicas del usuario, primero aprendemos representaciones generalizadas para todos los usuarios y luego actualizamos directamente una capa de clasificador ligero en el dispositivo con recursos limitados que se adapta rápidamente a nuevos usuarios con solo un pequeño número de muestras etiquetadas. Implementamos y evaluamos el marco en un microcontrolador RISC-V GAP9 utilizando tres conjuntos de datos de referencia: RecGym, QVAR-Gesture y Ultrasound-Gesture. Demostramos que la adaptación posterior a la implementación mejora la precisión en un 3,73 %, 17,38 % y 3,70 %, respectivamente. Esto demuestra que el enfoque propuesto permite un HAR portátil escalable, consciente del usuario y energéticamente eficiente.

Takeaways, Limitations

•
Takeaways:
◦
Presentamos un nuevo marco de aprendizaje en el dispositivo, de pocos disparos, que aborda simultáneamente problemas de generalización y personalización en HAR portátil.
◦
Implementación práctica y verificación del rendimiento de un microcontrolador RISC-V GAP9 energéticamente eficiente.
◦
Demostrar practicidad a través de mejoras de rendimiento en varios conjuntos de datos de referencia.
◦
Presentando la posibilidad de implementar HAR portátil escalable, consciente del usuario y energéticamente eficiente.
•
Limitations:
◦
El rendimiento del marco propuesto puede variar según el conjunto de datos (mejoras de rendimiento relativamente pequeñas en ciertos conjuntos de datos).
◦
Se necesita más investigación sobre el rendimiento de generalización en diversos dispositivos portátiles y entornos.
◦
Se necesita una evaluación del desempeño para el reconocimiento de actividades más diversas y complejas.
👍
Made with Slashpage