UniMTS: Упрощенная предобучающая процедура для временных рядов движений, универсальная для разных устройств и действий

 UniMTS: A Unified Pre-Training Procedure for Motion Time Series that Generalizes Across Diverse Device Latent Factors and Activities

“`html

Унифицированная предобученная процедура для анализа временных рядов движения

Распознавание движений человека с помощью временных рядов с мобильных и носимых устройств используется в различных приложениях, таких как мониторинг здоровья, анализ спортивной активности и изучение привычек пользователей. Однако сбор больших объемов данных о движении остается сложной задачей из-за проблем с безопасностью и конфиденциальностью.

Проблемы в области временных рядов движения

  • Разные места на теле (например, запястье и нога) дают различные данные, затрудняя использование одной модели на разных участках.
  • Ориентация устройств также влияет на качество данных. Модели, обученные на одном положении, часто не работают на других.
  • Разные наборы данных сосредотачиваются на различных типах активности, что затрудняет сопоставление или объединение данных.

Традиционные подходы

Обычные методы классификации временных рядов используют отдельные классификаторы для каждого набора данных, что ограничивает их универсальность. Модели, такие как TimesNet и SHARE, требуют использования одного и того же набора данных для обучения и тестирования, что сужает их применимость.

Решение UniMTS

Группа исследователей из UC San Diego, Amazon и Qualcomm предложила UniMTS как первую унифицированную предобученную процедуру для временных рядов движения. UniMTS использует контрастное обучение для связывания данных о движении с текстовыми описаниями, что позволяет модели лучше понимать различные движения и адаптироваться к ним.

Как работает UniMTS

  • Создание данных о движении на основе скелетных движений с учетом различных ориентаций.
  • Использование графового кодировщика для понимания соединений между суставами.
  • Аугментация данных для борьбы с проблемами ориентации устройства.

UniMTS показал значительные улучшения по сравнению с существующими моделями, с увеличением производительности на 340% в нулевом тесте и 16.3% в условиях ограниченного обучения.

Заключение

UniMTS демонстрирует выдающуюся универсальность в обработке данных о движении в реальном времени, что делает его мощным инструментом для будущих исследований в области распознавания движений человека.

Как внедрить ИИ в вашу компанию?

  • Анализируйте, как ИИ может изменить вашу работу.
  • Определите, где можно применить автоматизацию.
  • Выберите подходящее ИИ-решение и начните с небольшого проекта.

Если вам нужны советы по внедрению ИИ, пишите нам!

“`

Полезные ссылки: