Скачать презентацию Using dynamic time warping for online temporal fusion Скачать презентацию Using dynamic time warping for online temporal fusion

07bce66d04d6155af73929e3bf122103.ppt

  • Количество слайдов: 29

Using dynamic time warping for online temporal fusion in multisensor systems M. Ko, G. 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 – DTW 학습 – 순서 • 소개 • Dynamic Time Warping • 시스템 구조 – DTW 학습 – 온라인 DTW • 실험 – 실험 1 : 가속도 센서를 통한 제스쳐 인식 – 실험 2 : 다양한 센서를 통한 시나리오 인식 • 결과 1

소개(1) • Multisensor fusion – 단일 센서처럼 처리하지 못하는 다양한 센서 통합 – 통합 소개(1) • Multisensor fusion – 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 – decision out Decision in – decision out Data in – decision out 2

소개(2) • 다양한 센서들끼리의 temporal fusion – 다양한 순차의 조합 • 다차원, 시간, 이산적, 소개(2) • 다양한 센서들끼리의 temporal 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 3

관련연구 – A. Aziz et al, Fuzzy logic data correlation approach in multisensor-multitarget tracking 관련연구 – 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 7 th Int. Conf. on Information Fusion, 2004 – S. Morriss, Automated manufacturing systems – Actuators, controls, sensors and robotics, Mc. Graw-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 4

Dynamic time warping(1) • Local distance – : 길이 I인 순차적 분류 템플릿 – 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 5

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

시스템 구조 • 데이터 전처리 – Raw 데이터를 테스트 템플릿으로 변환 • DTW 인식기 시스템 구조 • 데이터 전처리 – Raw 데이터를 테스트 템플릿으로 변환 • DTW 인식기 – 테스트 템플릿과 클래스 템플릿들의 유사도 측정 • Decision module – 입력과 가장 비슷한 템플릿을 선택 7

데이터 전처리 • 입력 데이터 – 온라인 : 연속적인 스트리밍 센서 값 – 오프라인 데이터 전처리 • 입력 데이터 – 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 8

DTW 인식기 학습(1) • 각 행동별 분류 템플릿을 선택하는 과정 • 분류 템플릿의 선택 DTW 인식기 학습(1) • 각 행동별 분류 템플릿을 선택하는 과정 • 분류 템플릿의 선택 방법 – – – Random selection Normal selection Minimum selection Average selection Multiple selection • 실험에서 사용한 방법 – Random, minimum, multiple selection • End region – Band-DP( E = E 2 -E 1) • Rejection threshold 9

DTW 인식기의 학습(2) • DTW에서의 거리 측정 – 분류 템플릿의 다중 시퀀스 : C( DTW 인식기의 학습(2) • DTW에서의 거리 측정 – 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

제안하는 DTW 인식기(1) • 기존의 DTW의 문제점 – 알려지지 않은 start와 end point 찾기 제안하는 DTW 인식기(1) • 기존의 DTW의 문제점 – 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 , S 1<=s<=S 2 i(Q) = I , j(Q) = e, E 1<=e<=E 2 11

제안하는 DTW 인식기(2) • 최소 warping path의 결정 – 분류 템플릿과 테스트 템플릿 간의 제안하는 DTW 인식기(2) • 최소 warping path의 결정 – 분류 템플릿과 테스트 템플릿 간의 최소 누적 거리 – s와 e는 start와 end point • 계산의 최적화 – (S 2 -S 1)과 (E 2 -E 1)을 최소화 12

온라인 DTW(1) • 각 분류 템플릿 Cn별 I x E 2의 거리 테이블 존재 온라인 DTW(1) • 각 분류 템플릿 Cn별 I x E 2의 거리 테이블 존재 • 테스트 템플릿의 버퍼에 스트리밍 데이터 저장 – 버퍼의 크기 결정 • 학습 과정에서의 최대 E 2 – 한번에 한 특징 벡터의 추출 – 버퍼가 차면 거리 d(I, j)와 warping path W 계산 13

온라인 DTW(2) • 버퍼 T와 각 거리 테이블 D가 sliding window가 됨 – T의 온라인 DTW(2) • 버퍼 T와 각 거리 테이블 D가 sliding window가 됨 – T의 첫 벡터와 각 D의 첫 행을 삭제 – 새로운 스트리밍 벡터 T에 추가 – D에 새로운 벡터에 대한 d( I , j ) 계산 • 시간 복잡도 – 업데이트 시간 : O( NI ) – 새로운 W 계산 : O( NIE 2 ) – I : 분류 템플릿의 크기, N : 분류 템플릿의 종류 수 – Band-DP를 이용하면 • O( NE ) + O( NIE ) • E = E 1 – E 2 14

온라인 DTW(3) • DTW 거리의 정규화 – 분류 템플릿마다 길이가 다름 – 정규화 계수(NF) 온라인 DTW(3) • DTW 거리의 정규화 – 분류 템플릿마다 길이가 다름 – 정규화 계수(NF) 방법(NF = ) 옵션 번호 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

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

실험 방법 • 실험 환경 – – 펜티엄 4 , 3. 2 G 1 실험 방법 • 실험 환경 – – 펜티엄 4 , 3. 2 G 1 G RAM Window XP 언어 : DTW = C++ , 그 외 구현 = MATLAB – HMM과의 성능 비교 • Mixture of Gaussian • Bayes Net Toolbox 2 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 17

실험 1 환경 • 가속도 센서를 통한 크리켓 제스쳐 인식 • 센서 – ADXL 실험 1 환경 • 가속도 센서를 통한 크리켓 제스쳐 인식 • 센서 – ADXL 202 센서(3 -axis, ± 2 g, 150 Hz) • 각 손목에 2개 • 6 channel data • 데이터 – 4명 대상(20 + 15 * 3 = 65개의 샘플) – 12가지 제스쳐 • Cancel call, dead ball, last hour 등 18

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

실험 1 결과(Offline) – 특징별 성능 비교 • M , F : 센서값의 세기, 실험 1 결과(Offline) – 특징별 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 20

실험 1 결과(DTW vs HMM)(1) • HMM 정확률 • T 1 : 4명으로부터 5개의 실험 1 결과(DTW vs HMM)(1) • HMM 정확률 • T 1 : 4명으로부터 5개의 랜덤 학습 데이터 • T 2 : 1명으로부터 20개의 학습 데이터 • T 3 : 각 제스쳐 별 minimum selection을 통한 학습 데이터 – HMM 학습의 문제 • 초기 파라미터 설정 • 부족한 학습 데이터 ->HMM과 DTW를 비교하는 것은 어려움 21

실험 1 결과(DTW vs HMM)(2) • DTW가 여러 실험자 및 데이터에 대해서 성능이 좋음 실험 1 결과(DTW vs HMM)(2) • DTW가 여러 실험자 및 데이터에 대해서 성능이 좋음 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% – Data in – decision out : Raw 데이터 – Feature in – decision out : 필터링 데이터 22

실험 1 결과(Online)(1) • • Min-4 : Minimum+multiple selection RD-4 : Random+multiple selection Min-1 실험 1 결과(Online)(1) • • 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 23

실험 1 결과(Online)(2) • 12가지 제스쳐에 대한 최소 거리(LMD) – RD-1과 제스쳐 5 가 실험 1 결과(Online)(2) • 12가지 제스쳐에 대한 최소 거리(LMD) – RD-1과 제스쳐 5 가 정확률이 떨어짐 24

실험 2 환경 • 다양한 센서를 시나리오 인식 • 센서 – – – 3축 실험 2 환경 • 다양한 센서를 시나리오 인식 • 센서 – – – 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

실험 2 결과(Offline) • DTW 정확률 • HMM 정확률 – T 1(랜덤으로 20개의 학습 실험 2 결과(Offline) • DTW 정확률 • HMM 정확률 – T 1(랜덤으로 20개의 학습 데이터) : 75. 1~88. 1% – T 2(각 시나리오별 minimum selection한 데이터) : 72. 5~78% 26

실험 2 결과(Online) • 온라인 DTW 정확률 – T 1이 T 2보다 정확률 높음 실험 2 결과(Online) • 온라인 DTW 정확률 – T 1이 T 2보다 정확률 높음 • T 1의 데이터는 잡음이 적음 – 정규화가 정확률을 높여줌 – T 1 -Min-5 새로운 warping path 계산 시간 = 13, 334 s / 46, 065 = 0. 29 • 온라인 DTW LMD 27

결과 • 온라인 temporal fusion 시스템구축 – Dynamic time warping 알고리즘을 이용 – 다른 결과 • 온라인 temporal fusion 시스템구축 – 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 28