ウェアラブルセンサーを用いた人活動認識のための適応的畳み込みニューラルネットワーク強化スケール融合ネットワーク
Adaptive Convolutional Neural Network-Enhanced Scale-Fusion Network for Human Activity Recognition Using Wearable Sensors
本論文は、ウェアラブル慣性信号における異なる時間スケールの活動パターンを捉えつつ、計算上の制約を克服するため、3段階の適応的CNN強化スケール融合ネットワーク(ACESNet)を提案する。ACESNetは、適応的カーネルエンコーダーが異なるサイズの時間カーネルを動的に組み合わせ、CNN強化スケール融合設計がマルチスケール時間混合、明示的なチャネル混合、およびグローバルアテンション行列を具体化しない並列ローカルCNNパスを組み合わせる。REALWORLD、MotionSense、UCI-HAR、SHLのベンチマークにおいて、ACESNetはそれぞれ95.37 ± 0.09%、99.33 ± 0.12%、98.01 ± 0.23%、93.49 ± 0.10%の精度を達成した。UCI-HARの被験者独立評価では、精度94.01 ± 0.84%を yielded。Raspberry Pi 5上での実行では、ACESNetはFP32 ONNX Runtime 1.18.1でウィンドウあたり8.731 MFLOPsと1.606 ± 0.014 msを必要とし、選択されたベースラインと比較して優れた性能-効率のトレードオフを示している。
- ウェアラブル慣性信号の活動認識向けに、適応的カーネルエンコーダーと並列ローカルCNNパスを組み合わせた3段階の適応的CNN強化スケール融合ネットワーク(ACESNet)を提案
- REALWORLD、MotionSense、UCI-HAR、SHLのベンチマークでそれぞれ95.37%、99.33%、98.01%、93.49%の精度を達成し、UCI-HARの被験者独立評価でも94.01%を記録
- Raspberry Pi 5上でFP32 ONNX Runtime 1.18.1により1ウィンドウあたり8.731 MFLOPs・1.606msで実行され、ベースライン比で優れた性能-効率トレードオフを示す
ウェアラブル慣性信号の活動認識向けに3段階の適応的CNN強化スケール融合ネットワーク(ACESNet)を提案し、4つの公開ベンチマークで95%超/99%超の高精度を達成した研究。注目点は、Raspberry Pi 5上で1ウィンドウあたり8.731 MFLOPs・約1.6msで動作する省計算性を明示していること。エッジAI推論の実用性を精度と効率の両面で示しており、ウェアラブル/IoTデバイス向け軽量AIモデルの競争力評価や、エッジ推論チップ・ヘルスケアモニタリング領域の投資判断における技術的ベンチマークとして参照価値がある。