本文研究利用深度学习，以图像流中的高级特征为基础识别佩戴式摄像机的运动，并弥补设备低帧率带来的连续帧之间的差异罅隙，从而提升了辅助技术应用中的活动识别效能。

Aug, 2017

使用深度学习技术和卷积神经网络来预测个人在日常生活中的活动，利用上下文信息（如时间和星期几）来提高分类准确性。

Oct, 2015

本文提出了一种利用鸟瞰视角下与用户的距离和方向特征识别社交互动的算法，将相应的时空序列输入长短记忆循环神经网络进行分类，并在 3 万张照片的数据集上进行了实验验证，取得了良好的效果。

May, 2016

该论文提出了一种使用可穿戴照相机实现自动社交模式刻画的系统，其中通过检测与相机佩戴者互动的人，并将检测到的社交互动分类为正式和非正式两个步骤，在事件级别上对每个潜在的社交事件进行建模，并使用 LSTM 网络进行时间序列分类。最终通过聚类同一个人在整个社交互动集中的出现来全面理解用户的社交关系的多样性和频率。实验表明，该系统应用于自我中心的照片流上的社交模式刻画任务取得了有望的结果。

Sep, 2017

本文通过基于自注意力机制的神经网络模型，有效地解决了从身体穿戴传感器数据中提取人类活动的空间和时间序列信号依赖性识别的问题，并在四个流行的 HAR 数据集上进行了大量实验，获得了显著的性能改进。

Mar, 2020

本文提出了一种用于长期活动识别的紧凑型 3D 卷积神经网络（CNN）体系结构，通过使用稀疏光流体积作为输入，就能分类相机佩戴者的活动，从而实现了对非结构化第一人称视角视频的时间分割和分类，分类准确度达到 89％，并超过当前最先进技术 19％，此外还能识别视频是否为第一人称视角，准确度高达 99.2％，比当前最先进技术高 24％。

Apr, 2015

该研究使用卷积神经网络提取语境和语义信息，并通过语言处理技术将其定义为概念，然后利用时间上的连续性将共享上下文和语义属性的图像组合在一起，从而实现佩戴式相机拍摄的照片流的自动语义分割，并在活动识别等方面取得了优秀的效果。

Dec, 2015

通过一项健身活动视频的完全标注数据集，本文证明了基于原始像素的端对端学习方法可以与基于姿势估计的先进动作识别软件管道媲美，并且可以支持实时的重复计数等具有时间细粒度的任务。

May, 2023

本研究使用自我监督学习技术在 UK-Biobank 活动追踪器数据集上训练活动识别模型，结果表明该模型在七个基准数据集上的 F1 分数相对提高 2.5%~100%，可推广至不同外部数据集、设备和环境。开源的模型将有助于研究人员建立高性能、自定义和可推广的活动分类器。

Jun, 2022

本文介绍了一个基于 Wearable 设备的多模态自我中心活动识别数据集，其中提出了一种从传感器数据中提取时空轨迹特征的新颖策略，并应用 Fisher Kernel 框架融合视频和时空增强的传感器特征，实验结果表明，精心设计的特征提取和融合算法可以提高信息丰富的视频数据的质量。

Jan, 2016