分层迁移学习的跨位置行为识别
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。
Dec, 2017
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
本文介绍了一种名为 SA-GAN(Subject Adaptor GAN)的对抗性学习方法,利用生成式对抗网络框架在穿戴传感器人体活动识别领域进行跨主体迁移学习,表现优于其他现有的方法,准确性高达 90%。
Mar, 2019
基于深度时间状态领域自适应(DTSDA)模型,本研究旨在解决跨用户人类活动识别(cross-user HAR)中的行为变异性问题,通过利用活动中的不同子活动之间的时间关系,DTSDA 模型能够在不同用户之间建立起用户不变的时间关系,从而在跨用户 HAR 应用中展现出卓越的性能。
Mar, 2024
该研究论文探讨了在多任务环境下的联邦迁移学习,用于基于传感器的人体活动识别和设备位置识别任务,并通过使用 OpenHAR 框架和 DeepConvLSTM 结构在联邦学习环境中进行了多个实验,结果显示相比个别客户端训练和完全集中化方法,利用迁移学习和训练的任务特定及个性化的联邦模型可以获得类似的准确性并且更高的准确性。
Nov, 2023
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