{"created":"2025-01-19T01:11:58.382289+00:00","updated":"2025-01-19T18:01:51.680323+00:00","metadata":{"_oai":{"id":"oai:ipsj.ixsq.nii.ac.jp:00210769","sets":["6164:6165:6640:10580"]},"path":["10580"],"owner":"44499","recid":"210769","title":["Octave Convolutionを用いたセンサによる行動認識手法"],"pubdate":{"attribute_name":"公開日","attribute_value":"2020-06-17"},"_buckets":{"deposit":"fec8edf4-5997-44c2-a418-95f8cb5252fe"},"_deposit":{"id":"210769","pid":{"type":"depid","value":"210769","revision_id":0},"owners":[44499],"status":"published","created_by":44499},"item_title":"Octave Convolutionを用いたセンサによる行動認識手法","author_link":["534325","534324"],"item_titles":{"attribute_name":"タイトル","attribute_value_mlt":[{"subitem_title":"Octave Convolutionを用いたセンサによる行動認識手法"}]},"item_keyword":{"attribute_name":"キーワード","attribute_value_mlt":[{"subitem_subject":"行動認識","subitem_subject_scheme":"Other"}]},"item_type_id":"18","publish_date":"2020-06-17","item_language":{"attribute_name":"言語","attribute_value_mlt":[{"subitem_language":"jpn"}]},"item_18_text_3":{"attribute_name":"著者所属","attribute_value_mlt":[{"subitem_text_value":"福井大学大学院工学研究科知識社会基礎工学専攻"},{"subitem_text_value":"福井大学大学院工学研究科知識社会基礎工学専攻"}]},"item_publisher":{"attribute_name":"出版者","attribute_value_mlt":[{"subitem_publisher":"情報処理学会","subitem_publisher_language":"ja"}]},"publish_status":"0","weko_shared_id":-1,"item_file_price":{"attribute_name":"Billing file","attribute_type":"file","attribute_value_mlt":[{"url":{"url":"https://ipsj.ixsq.nii.ac.jp/record/210769/files/IPSJ-DICOMO2020056.pdf","label":"IPSJ-DICOMO2020056.pdf"},"date":[{"dateType":"Available","dateValue":"2022-06-17"}],"format":"application/pdf","billing":["billing_file"],"filename":"IPSJ-DICOMO2020056.pdf","filesize":[{"value":"940.5 kB"}],"mimetype":"application/pdf","priceinfo":[{"tax":["include_tax"],"price":"660","billingrole":"5"},{"tax":["include_tax"],"price":"330","billingrole":"6"},{"tax":["include_tax"],"price":"0","billingrole":"44"}],"accessrole":"open_date","version_id":"81f8553d-0006-45b3-99ce-07ead1c02f61","displaytype":"detail","licensetype":"license_note","license_note":"Copyright (c) 2020 by the Information Processing Society of Japan"}]},"item_18_creator_5":{"attribute_name":"著者名","attribute_type":"creator","attribute_value_mlt":[{"creatorNames":[{"creatorName":"近藤, 和真"}],"nameIdentifiers":[{}]},{"creatorNames":[{"creatorName":"長谷川, 達人"}],"nameIdentifiers":[{}]}]},"item_resource_type":{"attribute_name":"資源タイプ","attribute_value_mlt":[{"resourceuri":"http://purl.org/coar/resource_type/c_5794","resourcetype":"conference paper"}]},"item_18_description_7":{"attribute_name":"論文抄録","attribute_value_mlt":[{"subitem_description":"人間行動認識 (Human Activity Recognition: HAR) は人が身に付けたセンサや空間に設置されているセンサから人間の行動を観測し，得られたデータから行動や活動の種類を推定する課題である．近年では，Convolutional Neural Network (CNN) などの深層学習を用いた HAR 手法が多数提案されている．HAR では加速度センサ，ジャイロセンサ，磁力センサなど様々なセンサが用いられるが，特に加速度センサは多くの手法で用いられてるセンサである．人間の行動を観測した加速度センサデータは一般に時系列データであるが，周波数解析により異なる行動には異なる周波数成分が含まれていることがわかる．従って，HAR において周波数空間に着目することは重要であると考えられる．本研究では，入力データを高周波成分と低周波成分に分離しながら畳み込み処理を行う Octave Convolution を CNN ベースの HAR モデルに適用し認識精度と計算コストの 2 点に関して検証を行った．その結果，被験者数が多く十分に訓練データが確保できる状況では Octave Convolution を用いることで推定精度が向上することを明らかにした．一方で，1 次元の Octave Convolution を用いた CNN モデルでは訓練データの被験者数によらず計算コストが増加することが明らかとなった．","subitem_description_type":"Other"}]},"item_18_biblio_info_10":{"attribute_name":"書誌情報","attribute_value_mlt":[{"bibliographicPageEnd":"373","bibliographic_titles":[{"bibliographic_title":"マルチメディア，分散協調とモバイルシンポジウム2075論文集"}],"bibliographicPageStart":"368","bibliographicIssueDates":{"bibliographicIssueDate":"2020-06-17","bibliographicIssueDateType":"Issued"},"bibliographicVolumeNumber":"2020"}]},"relation_version_is_last":true,"weko_creator_id":"44499"},"id":210769,"links":{}}