[論文レビュー] Scale-Invariant Local Descriptor for Event Recognition in 1D Sensor Signals

Jierui Xie, Mandis Beigi|arXiv (Cornell University)|May 28, 2011

Time Series Analysis and Forecasting参考文献 4被引用数 4

ひとこと要約

本論文は、速歩と遅歩のような異なる時間スケールでの歩行など、時間的スケールの変化に強く耐えるロバストなイベント認識を可能にする1次元センサ信号のスケール不変局所記述子を提案する。スケール空間理論とハイレベルな形状符号化方式を活用して不変特徴量を抽出し、キーポイント一致と動的時間ワープ（DTW）スコアを統合したRメトリックに基づく分類器（SIC-R）を採用することで、PIR、加速度計、地震センサからの多様な1次元センサデータで90%以上の精度を達成した。

ABSTRACT

In this paper, we introduce a shape-based, time-scale invariant feature descriptor for 1-D sensor signals. The time-scale invariance of the feature allows us to use feature from one training event to describe events of the same semantic class which may take place over varying time scales such as walking slow and walking fast. Therefore it requires less training set. The descriptor takes advantage of the invariant location detection in the scale space theory and employs a high level shape encoding scheme to capture invariant local features of events. Based on this descriptor, a scale-invariant classifier with "R" metric (SIC-R) is designed to recognize multi-scale events of human activities. The R metric combines the number of matches of keypoint in scale space with the Dynamic Time Warping score. SICR is tested on various types of 1-D sensors data from passive infrared, accelerometer and seismic sensors with more than 90% classification accuracy.

研究の動機と目的

• 時間的持続時間が著しく異なる、例えば速歩と遅歩のような1次元センサ信号における人間行動認識の課題に対処すること。
• 異なる時間スケールにわたる一般化を可能にすることで、大規模な訓練データの必要性を低減すること。
• 時間スケーリングに対して不変でありながら、局所的な形状特徴を保持する特徴記述子の開発。
• キーポイント対応と時間的整合性を統合したハイブリッドメトリックを用いて、スケール変動に耐えるイベント同士のマッチングが可能な分類器の設計。

提案手法

• 本手法はスケール空間理論を用いて、1次元信号の複数の時間スケールにわたる安定したキーポイント位置を検出する。
• ハイレベルな形状符号化方式により、検出されたキーポイント周辺の局所的信号形状を捉え、スケール変化に対して不変性を確保する。
• SIC-R分類器は、スケール空間における一致キーポイント数と、時間的整合性のための動的時間ワープ（DTW）スコアを統合したRメトリックを計算する。
• Rメトリックを用いてクエリイベントと訓練イベントを比較することで、スケール変動に対してもロバストな分類が可能になる。
• 本記述子は、受動赤外線、加速度計、地震センサからの1次元信号を対象に評価され、異種センサ間の耐障害性を検証した。

実験結果

リサーチクエスチョン

• RQ1 1次元センサ信号における時間的スケーリングに対して不変となる局所的特徴記述子を設計できるか？
• RQ2 キーポイントに基づく特徴量をどのように符号化すれば、スケール変化にわたって形状情報を保持できるか？
• RQ3 キーポイント一致とDTWを統合したハイブリッドメトリックは、多スケールイベントの分類精度を向上させられるか？
• RQ4 提案手法は、異なる種類の1次元センサデータにどの程度一般化可能か？

主な発見

• 提案されたスケール不変局所記述子は、受動赤外線、加速度計、地震センサ信号を含む多様な1次元センサデータで90%以上の分類精度を達成した。
• SIC-R分類器は、キーポイント一致とDTW整合性を効果的に統合することで、ベースライン手法を上回り、スケール変動に対するロバスト性が向上した。
• 同じ行動の異なる時間的持続時間にわたる一般化が可能になったため、大規模で多スケールの訓練データセットの必要性が低減された。
• ハイレベルな形状符号化方式は、スケール変化に対して不変性を保ちながらも、識別性の高い局所的特徴を効果的に捉えた。