M. Ko, G. West, S. Venkatesh, M. Kumar Information Fusion, 2007

Slides:



Advertisements
Similar presentations
SPEAKER VERIFICATION SYSTEMS 대화형 사용자 인터페이스 개론 정보와 추론 연구실.
Advertisements

진우석 오준민 정무여 김상구 황현서 5조5조.
2010 – 06 – 24 주간 보고서.
컴퓨터와 인터넷.
Percom 2009 Slides by: BongWhan Choe at April 29,2010 (Yeonsei Univ.)
[별첨] 특허 DB 구축 및 토픽 모델링 수행 과정 Flowchart, File List
신호처리 실험 (Signal Processing Lab)
Report #2 - Solution 문제 #1: 다음과 같이 프로그램을 작성하라.
10장 랜덤 디지털 신호처리 1.
Hybrid INDIGO project 중간보고
EPS Based Motion Recognition algorithm Comparison
강원대학교 지구물리학과 이훈열 참고: PG Steamer User’s Guide
NLP Lab. 세미나 발표자:이주호 2007년 7월 18일 수요일
오브젝트 조합 회로 IT CookBook, VHDL을 이용한 디지털 회로 입문.
Chapter 02 순환 (Recursion).
디지털영상처리 및 실습 대구보건대학 방사선과.
11장. 포인터 01_ 포인터의 기본 02_ 포인터와 Const.
컴퓨터 응용과 3학년 1반 조장 김영조 조원 구본건 , 임선택
SqlParameter 클래스 선문 비트 18기 발표자 : 박성한.
J.A.R.V.I.S 전영재 이민권 박병용 서승민.
인공지능실험실 박사 1학기 장성만 TCP/IP Socket Programming… 9장 소켓의 다양한 옵션 인공지능실험실 박사 1학기 장성만
TCP/IP 응용 프로그램에 적용 가능한 다양한 소켓 옵션을 이해하고 활용한다.
DK-128 ADC 실습 아이티즌 기술연구소
Contents 1. 설계주제 2. 시연시나리오 3. Output 4. Design 5. Required items
13장 고급 입출력 함수 박사 4학기 최 성자.
Central Gas Monitoring System 2005
KIM HEESANG PL/SQL 2 KIM HEESANG
속성과 리스너 초기화 파라미터 외 파라미터에 대해 이해한다. 리스너를 생성해보고 사용에 대해 이해한다.
소프트컴퓨팅 연구실 소개자료 . 소프트컴퓨팅연구실 조성배.
제4장 제어 시스템의 성능.
9장. 특징 선택 오일석, 패턴인식, 교보문고, © 오일석, 전북대학교 컴퓨터공학.
A Practice Device for Frequency Response
빅데이터 연구회 6주차 발표 주제 : 서포트 벡터 머신 통계학과 서태석.
자바 5.0 프로그래밍.
군집 분석.
2장. 데이터베이스 관리 시스템 데이터베이스 관리 시스템의 등장 배경 데이터베이스 관리 시스템의 정의
HTTP 프로토콜의 요청과 응답 동작을 이해한다. 서블릿 및 JSP 를 알아보고 역할을 이해한다.
MCL을 이용한 이동로봇 위치추정의 구현 ( Mobile robot localization using monte carlo localization ) 한양대학교 전자전기전공 이용학.
USN(Ubiquitous Sensor Network)
논리회로 설계 및 실험 5주차.
컴퓨터 프로그래밍 기초 - 10th : 포인터 및 구조체 -
2장. 변수와 타입.
Decision Tree & Ensemble methods
20 장 네트워킹과 인터네트워킹 장치 20.1 리피터(Repeaters) 20.2 브리지(Bridges)
5강. 배열 배열이란? 배열의 문법 변수와 같이 이해하는 배열의 메모리 구조의 이해 레퍼런스의 이해 다차원 배열
데이터 동적 할당 Collection class.
클러스터 시스템에서 효과적인 미디어 트랜스코딩 부하분산 정책
RAM RAM 읽기 동작(read) RAM 쓰기 동작(write) 1. 주소선을 통해 주소값 입력.
Word2Vec.
Word Embedding.
Support Vector Machine
DK-128 직렬통신 실습 아이티즌 기술연구소
오라클 11g 보안.
Chapter 7 – Curves Part - I
Week 4: 다변수(2변수) 데이터분석 5장_1(산포도: scatter plot) 동영상 1,2,3,4,5
IO-Link 통신 기술 소개 산업 Ethernet 필드버스 게이트웨이 접속 IO-Link 마스터 IO-Link 통신
텍스트 분석 ㈜ 퀀트랩.
프로그래밍 언어 학습을 위한 가상실습환경 창원대학교 이수현.
RPTree 코드분석 (월) Dblab 김태훈.
적용 가능 시간표 무한 생성 기계 2007/06/18 최석훈.
2011학년도 졸업작품 주제 발표 -카메라 기반 제스처 인식 UI-
 6장. SQL 쿼리.
아날로그 신호를 디지털 신호로 변환하는 A/D 변환기 A/D 변환 시 고려하여 할 샘플링 주파수 D/A 변환기
버스와 메모리 전송 버스 시스템 레지스터와 레지스터들 사이의 정보 전송을 위한 경로
문제의 답안 잘 생각해 보시기 바랍니다..
Progress Seminar 양승만.
Progress Seminar 선석규.
Text Clustering G 조한얼.
Progress Seminar 이준녕.
Progress Seminar 양승만.
Presentation transcript:

M. Ko, G. West, S. Venkatesh, M. Kumar Information Fusion, 2007 Using dynamic time warping for online temporal fusion in multisensor systems M. Ko, G. West, S. Venkatesh, M. Kumar Information Fusion, 2007

순서 소개 Dynamic Time Warping 시스템 구조 실험 결과 DTW 학습 온라인 DTW 실험 1 : 가속도 센서를 통한 제스쳐 인식 실험 2 : 다양한 센서를 통한 시나리오 인식 결과

소개(1) Multisensor fusion 입출력에 따른 분류(Dasarathy, 1994) 단일 센서처럼 처리하지 못하는 다양한 센서 통합 통합 방법 Raw 레벨 Feature 레벨 Decision 레벨 다양한 분야 결함 감지 및 치료 Wearable computing Context-aware system Raw 데이터나 feature끼리 temporal fusion이 필요함 입출력에 따른 분류(Dasarathy, 1994) Data in – data out Data in – feature out Feature in – feature out Feature in – decision out Decision in – decision out Data in – decision out

소개(2) 다양한 센서들끼리의 temporal fusion DTW를 통한 multisensor fusion 다양한 순차의 조합 다차원, 시간, 이산적, 연속적 센서 등 다양한 길이의 데이터 같은 클래스끼리도 다름 DTW를 통한 multisensor fusion DTW를 확장 Endpoint에 대한 고려 다양한 heterogeneous 센서의 통합 Data in – decision out, feature in – decision out HMM과의 성능 비교

관련연구 다양한 분야에서의 multisensor fusion A. Aziz et al, Fuzzy logic data correlation approach in multisensor-multitarget tracking systems, Signal Processing 76, No.2, 195-209, 1999 E. Jouseau et al, Neural network and fuzzy data fusion: application to an on-line and real-time vehicle detection system, Pattern Recognition Letters 20, 97~107, 1999 F. Optiz et al, Data fusion development concepts within complex surveillance systems, in: The 7th Int. Conf. on Information Fusion, 2004 S. Morriss, Automated manufacturing systems – Actuators, controls, sensors and robotics, McGraw-Hill, 1994 J. Castellanos et al, Mobile robot localization and map building: A multisensor fusion approach, Kluwer Academic Publishers, 1999 다양한 분야에서의 multisensor fusion 타켓 트래킹, 자동차 감식, 감시 시스템 , 자동 공정, 로보틱스

Dynamic time warping(1) Local distance : 길이 I인 순차적 분류 템플릿 : 길이 J인 순차적 테스트 템플릿 d(I , j) : 분류와 테스트 템플릿 사이의 거리 Warping path(W) i(q) ∈{1 ,…, I) , j(q) ∈{1 ,…, J) 제약 조건 Continuity Endpoint Monotonicity

Dynamic time warping(2) 최소 warping path NF : 정규화 계수 거리 테이블 D를 계산하는 식 6 6

시스템 구조 데이터 전처리 DTW 인식기 Decision module Raw 데이터를 테스트 템플릿으로 변환 테스트 템플릿과 클래스 템플릿들의 유사도 측정 Decision module 입력과 가장 비슷한 템플릿을 선택

데이터 전처리 입력 데이터 적용 기술 연속적인 값에 대한 처리 온라인 : 연속적인 스트리밍 센서 값 오프라인 : segmantation한 센서 값 적용 기술 신호 필터로 잡음과 이상치 제거 DTW는 모든 element에 대해서 측정 함 변수 값들의 정규화 Discrete와 continuous를 조합 연속적인 값에 대한 처리 동작을 구분 짓는 것이 어려움 Sliding window를 통해서 구분 DTW 변화를 통한 End point 측정

DTW 인식기 학습(1) 각 행동별 분류 템플릿을 선택하는 과정 분류 템플릿의 선택 방법 실험에서 사용한 방법 Random selection Normal selection Minimum selection Average selection Multiple selection 실험에서 사용한 방법 Random, minimum, multiple selection End region Band-DP( E = E2-E1) Rejection threshold

DTW 인식기의 학습(2) DTW에서의 거리 측정 거리 측정 방법 분류 템플릿의 다중 시퀀스 : C( I x V ) 테스트 템플릿의 다중 시퀀스 : T( I x V ) V : 변수의 수 거리 측정 방법 Extended Euclidian distance Cosine correlation coefficient WV : 양수의 Weight Vector 온라인 인식의 성능을 향상, 특정한 값을 강조 10 10

제안하는 DTW 인식기(1) 기존의 DTW의 문제점 온라인 인식은 end point가 확실치 않음 알려지지 않은 start와 end point 찾기 End point는 거리 테이블의 대각선 반대편에 있어야 함 온라인 인식은 end point가 확실치 않음 기존의 DTW 알고리즘은 부적합 Start point와 end point에 구간을 정해줌 i(1) = 1, j(1) = s , S1<=s<=S2 i(Q) = I , j(Q) = e, E1<=e<=E2 11 11

제안하는 DTW 인식기(2) 최소 warping path의 결정 계산의 최적화 분류 템플릿과 테스트 템플릿 간의 최소 누적 거리 s와 e는 start와 end point 계산의 최적화 (S2-S1)과 (E2-E1)을 최소화 12 12

온라인 DTW(1) 각 분류 템플릿 Cn별 I x E2의 거리 테이블 존재 테스트 템플릿의 버퍼에 스트리밍 데이터 저장 버퍼의 크기 결정 학습 과정에서의 최대 E2 한번에 한 특징 벡터의 추출 버퍼가 차면 거리 d(I,j)와 warping path W 계산 13 13

온라인 DTW(2) 버퍼 T와 각 거리 테이블 D가 sliding window가 됨 시간 복잡도 D에 새로운 벡터에 대한 d( I , j ) 계산 시간 복잡도 업데이트 시간 : O( NI ) 새로운 W 계산 : O( NIE2 ) I : 분류 템플릿의 크기, N : 분류 템플릿의 종류 수 Band-DP를 이용하면 O( NE ) + O( NIE ) E = E1 – E2 14 14

온라인 DTW(3) DTW 거리의 정규화 옵션 번호 방법(NF = ) 1 1(정규화 없음) 2 분류 템플릿마다 길이가 다름 정규화 계수(NF) 옵션 번호 방법(NF = ) 1 1(정규화 없음) 2 최적의 warping path 길이 3 분류와 테스트 템플릿 중 긴 길이 4 분류와 테스트 템플릿 중 짧은 길이 5 분류와 테스트 템플릿의 합 15 15

Decision 모듈 NN kNN Normal, minimum, average selection N : 분류 템플릿의 수 , 1 <= n <= N , Cn : 분류 템플릿 , Dn : 거리 테이블 kNN Multiple selection : Cn,m M : 선택된 분류 템플릿의 수, K : 1 <= k <= M 16 16

실험 방법 실험 환경 실험 방법 펜티엄 4 , 3.2G 1G RAM Window XP 언어 : DTW = C++ , 그 외 구현 = MATLAB HMM과의 성능 비교 Mixture of Gaussian Bayes Net Toolbox2 사용 실험 방법 오프라인 temporal fusion 분류 정확률 온라인 temporal fusion 분류 정확률 + 최소 편차(Local minimum deviation) 센서별 실험 가속도 센서를 통한 제스쳐 인식 다양한 센서를 통한 시나리오 인식

실험 1 환경 가속도 센서를 통한 크리켓 제스쳐 인식 센서 데이터 ADXL202 센서(3-axis, ±2g, 150Hz) 각 손목에 2개 6 channel data 데이터 4명 대상(20 + 15 * 3 = 65개의 샘플) 12가지 제스쳐 Cancel call, dead ball, last hour 등 18 18

실험 1 데이터 W : sliding Window size, O : Overlap size, F : Features 19 19

실험 1 결과(Offline) 특징별 성능 비교 필터링 여부 및 거리 측정 방법 성능 비교 정규화 방법 성능 비교 M , F : 센서값의 세기, SD : 움직임 필터링 여부 및 거리 측정 방법 성능 비교 정규화 방법 성능 비교 정규화는 여러 종류의 데이터가 들어올 때 유용

실험 1 결과(DTW vs HMM)(1) HMM 정확률 ->HMM과 DTW를 비교하는 것은 어려움 HMM 학습의 문제 T3 : 각 제스쳐 별 minimum selection을 통한 학습 데이터 HMM 학습의 문제 초기 파라미터 설정 부족한 학습 데이터 ->HMM과 DTW를 비교하는 것은 어려움

실험 1 결과(DTW vs HMM)(2) DTW가 여러 실험자 및 데이터에 대해서 성능이 좋음 데이터 HMM DTW Data in – decision out : Raw 데이터 Feature in – decision out : 필터링 데이터 데이터 HMM DTW Raw 데이터 85.7~86.5% 97.9% 필터링 데이터 87.8~88.1% 92.5~96.4% W≠50, O≠30 73.9~78.8% 96~98%

실험 1 결과(Online)(1) Multiple 적용 여부, Min vs RD, K, NF 별 성능 비교 Min-4 : Minimum+multiple selection RD-4 : Random+multiple selection Min-1 : Minimum selection RD-1 : Random selection Multiple 적용 여부, Min vs RD, K, NF 별 성능 비교

실험 1 결과(Online)(2) 12가지 제스쳐에 대한 최소 거리(LMD) RD-1과 제스쳐 5 가 정확률이 떨어짐

실험 2 환경 다양한 센서를 시나리오 인식 센서 데이터(J.Mantyjarvi et al, 2004) 3축 가속도 센서 조도 센서 온도계 습도 센서 피부 전기 반응 센서 마이크 데이터(J.Mantyjarvi et al, 2004) 5가지 시나리오를 25번 반복 1 ~ 5분 32가지 센서 값 46045개의 데이터 25 25

실험 2 결과(Offline) DTW 정확률 HMM 정확률 T1(랜덤으로 20개의 학습 데이터) : 75.1~88.1% T2(각 시나리오별 minimum selection한 데이터) : 72.5~78%

실험 2 결과(Online) 온라인 DTW 정확률 온라인 DTW LMD T1이 T2보다 정확률 높음 정규화가 정확률을 높여줌 T1-Min-5 새로운 warping path 계산 시간 = 13,334s / 46,065 = 0.29 온라인 DTW LMD

결과 온라인 temporal fusion 시스템구축 향후 연구 Dynamic time warping 알고리즘을 이용 다른 길이의 순차적 데이터 처리 가능 이산적이거나 연속적인 센서 값의 조합 가능 두 개의 실제적인 데이터로 테스트 다양한 변수를 변경 HMM과 비교 향후 연구 Dynamic time warping으로 복잡한 문제 해결 중간 값이 없는 순차적인 데이터 중간중간 공백이 있는 데이터