Personalized activity recognition, which targets specific single-person in multi-person environments, can be very effective in various settings where each person has their own objects and movement patterns. However, most activity recognition researches only deal with general activity recognition, which uses the same model for all single-person individuals. This is because it is difficult to build a customized model for each individual via manual feature engineering. Thus, in this paper, we introduce personalized activity recognition as a new research direction and propose our own approach to build model for each individual using recurrent neural network (RNN). Also, we suggest a graph-based event processing approach to seamlessly collect time-sliced and annotated data. Finally, we construct three kinds of RNN architectures with three different unit types including iRNN, LSTM and GRU, and perform experiments using real dataset. From the experimental results, we conclude that our approach is feasible to build the customized model in real-world for personalized activity recognition.
많은 사람들이 존재하는 군중 환경에서, 각각의 개별 주체들에게 개인화 된 활동인식 모델을 만들어 주는 것은 요양원이나 오피스 같이 각각의 사람이 다른 사물들을 사용하고, 다른 움직임 패턴을 가진 환경에서 매우 유용할 수 있다. 하지만 현재까지의 활동인식 연구에서는 모든 사람들이 이용할 수 있는 일반적인 모델을 만드는 데에만 초점을 맞추고 있다. 이는 수작업으로 개별 주체들에게 개인화 된 모델을 만들어주는 것은 매우 어렵거나 불가능하기 때문이다.
이 연구에서는 이러한 개인화 된 활동인식 모델을 만들어 주는 것을 새로운 연구 방향으로 제안하였다. 또한 이러한 접근 방법의 실현 가능성을 보여주기 위하여 데이터로 부터 패턴을 스스로 학습할 수 있는 RNN을 도입하였고, 각 개별주체가 쉽게 데이터 어노테이션과 프로세싱을 수행할 수 있는 방법을 제안하였다. 그리고 iRNN, LSTM 그리고 GRU의 최신 모델을 이용하여 3가지 종류의 RNN 네트워크 모델을 구축하였고, 제안한 접근 법을 통해 실제 데이터 셋을 수집하여 활동인식에 대한 실험을 수행하였다. 여러 종류의 실험과 그 결과를 통해, 개인화 된 활동인식 접근방법이 현실 세계에서 충분히 실현 가능성이 있음을 보여주었다.