人类活动识别的注意力模型
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
人体活动识别(HAR)越来越受到普适计算的欢迎,受可穿戴传感器在医疗保健和运动等领域的流行推动。本文提出了一种内部和外部帧关注模型,用于解决 ConvNets 通常采用逐帧分析的问题,可能忽视人类活动中固有的更广泛的时间动态。我们进一步通过提出一种新颖的时间序列批量学习策略丰富了时间理解。这种学习策略在每个批处理中保留时间序列数据的时间顺序,确保传感器基础 HAR 中时间模式的连续性和完整性。
May, 2024
本文提出了两种基于注意力机制的深度神经网络模型,并添加连续性约束条件来提高模型的可理解性和精度,最终在三个数据集上获得了最新的结果,详细定性分析表明这些注意力机制与人类直觉相吻合。
Oct, 2018
本文提出了一种深度神经网络架构,利用自关注机制从多传感器时间序列数据中选择和学习重要时间点,以更好地解码人体活动,并在六个公共数据集上验证了该方法的有效性。
May, 2020
本文介绍了 Action Transformer,一种简单的完全自注意力架构,在人体动作识别中表现出色,并利用 2D 姿势表示来提供低延迟解决方案,此外我们提供了 MPOSE2021,这是一个新的大规模数据集,用于实时、短时 HAR 的训练和评估基准建立。
Jul, 2021
使用深度学习模型(如卷积神经网络和 Transformer)进行人类活动识别,研究表明特征融合对于改善活动识别系统的准确性和稳健性具有重要意义。使用 HuGaDB、PKU-MMD、LARa 和 TUG 数据集,PO-MS-GCN 和 Transformer 模型在准确性上进行了训练和评估,PO-MS-GCN 模型在效果上优于其他先进模型,并且特征融合在不同数据集上改善了结果。
Jun, 2024
本研究基于一个大规模无标签数据集上学习的自监督表征及浅层多层感知器模型,在未参与训练的真实世界数据集上取得了良好性能,并可通过不同传感器的数据训练,从而实现了设备无关型人体活动识别模型,将有助于增加 HAR 领域中模型评估的标准化。
Apr, 2023
本文介绍了一种新方法,即多视图融合变压器(MVFT),通过编码时间视图、频繁视图和统计视图来生成多视图特征,并提出一种新的注意机制以揭示细节关系建模。实验表明,该方法比几种最先进的方法更优异。
Feb, 2022
提出了一种基于自注意力的分层模型,该模型可以从不同的传感器位置收集数据,用于封闭式活动分类,以及从编码器中检测出开放式识别情境中的不可见活动类别。此工作在五个公共数据集上取得了显著的性能提升,并证明了其在噪声和体内信号的主体特异性方面表现出更强的鲁棒性。
Mar, 2021
本文提出了一种基于自监督技术的特征学习方法,应用于无形标签的传感器数据。该方法可以应用于人类活动识别等领域,可以通过转化识别任务提供监督信号提取有价值的特征,并在智能手机环境下的无人监督、半监督和迁移学习的情况下实现了与完全监督网络相当甚至更好的性能。该技术可被广泛应用于其他领域。
Jul, 2019