Dec, 2017

跨领域活动识别的分层迁移学习

PDF
TL;DR为了提高交叉领域活动识别的分类精度，本文提出了一种称为层级转移学习的框架，该框架可以利用类内相似性来进行类内知识转移。在三个大型公共活动识别数据集上的实验结果表明，STL 相对于其他先进方法具有显着的分类准确性提高（提高了 7.68%），并且还探讨了不同领域之间相似性和活动水平之间 STL 的性能表现。
activity recognitiontransfer learningintra-class knowledge transferclassification accuracycross-domain
发现论文，激发创造
  • 分层迁移学习的跨位置行为识别

    该研究提出了一种分层式传递学习（STL）框架，基于分层式距离捕获域的局部特性，可用于人体动作识别中传感器数据的源域选择和知识迁移问题，实验结果表明 STL 的优越性。

    Jun, 2018

  • 基于子结构最优传输的跨域活动识别

    本篇论文提出了一种基于子结构匹配的领域自适应（SSDA) 方法，以更好地利用活动数据的局部信息进行精确和高效的知识转移，通过实验验证，在四个公共活动识别数据集上，相对于其他最先进的方法，SSDA 显著提高了 9% + 的分类精度，并且与使用相同超参数的传统基于超参数的 DA 方法相比，其速度提高了 5 倍。

    Jan, 2021

  • 跨域人体活动识别：少样本迁移学习

    通过利用公开标记的人体活动识别数据集进行转移学习，我们提出了一种经济有效的跨领域人体活动识别框架，以更好地处理具有非常有限标签信息的活动识别场景。

    Oct, 2023

  • 活动识别中多样的域内和域间活动风格融合用于跨个人泛化

    通过域填充的概念，使用条件扩散模型和样式融合采样策略生成多样的数据，解决了领域泛化中捕捉领域间和领域内样式多样性的挑战，并在所有人体活动识别任务中优于现有的领域泛化方法。

    Jun, 2024

  • 语义 - 辨别混合应用于通用的基于传感器的跨领域活动识别

    本研究提出了一种名为 Semantic-Discriminative Mixup（SDMix）的新方法，用于泛化跨域 HAR，自动消除域差异，大幅提高了识别率。

    Jun, 2022

  • 利用基于主动学习的改进策略优化多域性能

    本篇论文介绍了一种基于主动学习的多领域性能提升框架，首先利用初始标记数据对基础模型进行训练，然后迭代地选择最具信息量的样本进行标记，以改进模型性能。该方法在图像分类、情感分析和物体识别等多领域数据集上进行了评估，并表现出超越基准方法，并在几个数据集上取得了最先进的性能。同时表明了本方法非常高效，比其他主动学习方法需要明显较少的标记样本，是一种实用且有效的多领域性能提升解决方案。

    Apr, 2023

  • 迈向更可靠的迁移学习

    本文提出了一种新的多源传递学习方法，它结合了源目标相似性和不同可靠性源之间的关系，并提出了一个综合的主动传递学习框架，包括分布匹配和不确定性采样，在合成和真实数据集上进行了广泛的实验，表明其在多项基准测试中优于其他现有模型。

    Jul, 2018

  • 利用领域内结构进行简单的迁移学习

    本文提出了一种 Easy Transfer Learning (EasyTL) 方法，通过利用域内结构学习非参数传输特征和分类器，而无需任何模型选择和超参数调整，实现了分类精度的可比较或更好的性能和更好的计算效率。

    Apr, 2019

  • 可以利用跨领域数据少量标记吗？少样本指导的主动学习和迁移学习

    本文提出了一种新的主动转移学习方法，使用预先训练的语言模型的内在语言知识来促进从现有预标记数据集到无标记目标数据的信息转移，可用于社交媒体数据的毒性和社会偏见的自定义维度。

    Nov, 2022

  • 基于原型多层学习的半监督域自适应

    本文提出了一种基于多级原型学习的半监督域自适应框架，采用伪标签聚合和交叉域对齐损失方法，以及通过原型相似度和线性分类器提升目标特征表示的判别性学习，实现了在三个数据集上卓越的 SSDA 性能。

    May, 2023