新型マルチモーダルデータセットを用いた堅牢な人間活動認識のための適応的特徴処理

人間活動認識（HAR）は、知能化された移動、スポーツ解析、環境支援生活、および人間とロボットの相互作用など、多くの新興アプリケーションの重要な構成要素となっています。堅牢なHARを実現することで、システムはより人間中心となり、より安全で共感的な自律システムへの道が開かれます。深層畳み込みニューラルネットワーク（CNNs）の登場により、人間姿勢検出は大きな進歩を遂げましたが、最先端の研究はほぼ排他的に単一のセンシングモダリティ、特にビデオに焦点を当てています。しかし、安全性が重要なアプリケーションでは、堅牢な動作のために複数のセンサモダリティを利用することが不可欠です。本論文では、16人の参加者が行う9つの室内活動を4種類のセンサで捉えた新しい多モーダルセンサデータセットを紹介します。これらのセンサは室内アプリケーションや自律車両で一般的に使用されています。この多モーダルデータセットは初めて公開され、スポーツ解析や医療支援、室内での知能化された移動など、HARが必要な多くのアプリケーションに活用することができます。また、異なる機械学習アルゴリズムによって利用可能な適応的な特徴量抽出を可能にする新たなデータ前処理アルゴリズムも提案しています。厳密な実験評価を通じて、本論文ではポーズ認識における機械学習アプローチの性能をレビューし、アルゴリズムの堅牢性を分析しています。当社の新しいデータセットからRGB-深度データを使用してHARを行う場合、深層ニューラルネットワークなどの機械学習アルゴリズムは全静的および動的活動に対する分類精度において最大96.8%の平均精度に達しました。