[논문 리뷰] Scale-Invariant Local Descriptor for Event Recognition in 1D Sensor Signals

Jierui Xie, Mandis Beigi|arXiv (Cornell University)|2011. 05. 28.

Time Series Analysis and Forecasting참고 문헌 4인용 수 4

한 줄 요약

이 논문은 1D 센서 신호를 위한 척도 불변 국소 기술자를 제안하며, 빠르게 걷기와 천천히 걷기와 같은 다양한 시간 척도에서 강건한 이벤트 인식을 가능하게 한다. 척도 공간 이론과 고수준의 형태 인코딩 기법을 활용하여 척도 변화에 불변인 특징을 추출하고, 키포인트 매칭과 동적 시간 왜곡(DTW) 점수를 결합한 R-거리 기반 분류기(SIC-R)를 적용하여, PIR, 가속도계, 지진 센서에서 얻은 다양한 1D 센서 데이터에서 90% 이상의 정확도를 달성한다.

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.

연구 동기 및 목표

• 걷기의 속도가 빠르거나 느리게 변할 경우와 같이 시간적 지속 기간이 크게 달라지는 1D 센서 신호에서 인간 활동을 인식하는 데 도전하는 것.
• 다양한 시간 척도 간 일반화를 가능하게 하여 광범위한 훈련 데이터의 필요성을 줄이는 것.
• 시간적 스케일링에 대해 불변이면서도 분별력 있는 국소 형태 특징을 유지하는 특징 기술자 개발.
• 키포인트 대응과 시간 정렬을 결합한 하이브리드 거리 기반의 분류기 설계로 척도 변화가 있는 이벤트 간 매칭을 가능하게 하는 것.

제안 방법

• 이 방법은 1D 신호에서 다중 시간 척도에 걸쳐 안정적인 키포인트 위치를 탐지하기 위해 척도 공간 이론을 활용한다.
• 고수준의 형태 인코딩 기법은 탐지된 키포인트 주변의 국소 신호 형태를 캡처하여 척도 변화에 대해 불변성을 확보한다.
• SIC-R 분류기는 척도 공간 내에서 매칭된 키포인트 수와 시간 정렬을 위한 동적 시간 왜곡(DTW) 점수를 조합한 R 거리를 계산한다.
• R 거리는 쿼리 이벤트를 훈련 이벤트와 비교하는 데 사용되어 척도 변화에 대비한 강건한 분류를 가능하게 한다.
• 수집된 피assive infrared, 가속도계, 지진 센서의 1D 신호를 대상으로 기술자 성능을 평가하여 다양한 센서 간 강건성 테스트를 수행한다.

실험 결과

연구 질문

• RQ1 1D 센서 신호에서 시간적 스케일링에 대해 불변인 국소 기능 기술자를 설계할 수 있는가?
• RQ2 키포인트 기반 특징은 어떻게 인코딩되어야 시간 척도 변화 간 형태 정보를 유지할 수 있는가?
• RQ3 키포인트 매칭과 DTW를 결합한 하이브리드 거리 기반 방법이 다중 척도 이벤트의 분류 정확도를 향상시킬 수 있는가?
• RQ4 제안된 방법이 다양한 종류의 1D 센서 데이터 간에 얼마나 잘 일반화되는가?

주요 결과

• 제안된 척도 불변 국소 기술자는 피아오스티브 인프라레드, 가속도계, 지진 신호를 포함한 다양한 1D 센서 데이터에서 90% 이상의 분류 정확도를 달성한다.
• SIC-R 분류기는 키포인트 매칭과 DTW 정렬을 효과적으로 조합하여 척도 변화에 대한 강건성을 향상시키며, 기준 방법보다 뛰어난 성능을 보인다.
• 동일한 활동의 다양한 시간 지속 기간 간 일반화를 가능하게 하여, 대규모 다중 척도 훈련 데이터 세트가 필요로 하는 양을 줄인다.
• 고수준의 형태 인코딩 기법은 척도 변화에 대해 불변성을 유지하면서도 분별력 있는 국소 특징을 성공적으로 캡처한다.