Oct, 2018

连续关注下理解和优化循环网络用于人类活动识别

PDF
TL;DR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。
deep neural networkshuman activity recognitionattention modelstemporal attentionsensor attention
发现论文，激发创造
  • 利用自注意力进行可穿戴传感器数据的人类活动识别

    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

  • 人类活动识别的注意力模型

    本文提出了一种基于注意力模型的数据驱动人体行为识别的方法，通过学习权重来对待处理的传感器读数进行建模，并在基准数据集上实现了显著的性能提升。

    May, 2018

  • 使用级联双注意力 CNN 和双向 GRU 框架的人体运动识别

    本文提出了一种空间 - 时间级联框架，利用深度学习算法提取人类活动的深入特征，并使用双向 Gated 循环单元进行长期时间建模和人类行为识别。实验结果表明，该方法与现有算法相比在帧每秒的执行时间方面提高了最多 167 倍。

    Aug, 2022

  • 利用穿戴设备进行人类活动识别的深度卷积和循环模型

    本文探讨了基于深度学习在普适计算中的人类活动识别（HAR）技术，介绍了如何使用具有创新性的正则化方法训练循环神经网络，提出了适用于 HAR 问题的模型，并通过多个随机实验说明了超参数的影响和模型的适用性。

    Apr, 2016

  • 传感器人体活动识别的深度神经网络架构和特征提取设计的研究

    通过在两个人体活动识别数据集上进行广泛的实验研究，我们调查了常见的深度学习和机器学习方法以及不同的训练机制（如对比学习）和从传感器时间序列数据中提取的各种特征表示的性能，以评估它们在人体活动识别任务中的有效性。

    Sep, 2023

  • 超出独立帧：通过帧内和帧间注意力增强基于传感器的人体活动识别

    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

  • 使用可穿戴设备的深度卷积 LSTM 自注意力进行人类活动解码

    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

  • 三流网络用于增强动作识别

    该论文提出了两种基于 CNN 的体系结构，包括三种流，可以分别捕捉不同速率的空间和时间信息，并使用双向 LSTM 和注意力机制进一步提高模型性能，实现了人类动作识别任务的最先进表现。

    Apr, 2021

  • 可重构卷积神经网络实现的三维人体活动识别

    本文提出了一种基于 RGB-D 视频的自动活动识别的深度模型，使用 3D 卷积和最大池化算子，结合激活函数以及学习出活动的时间结构，该模型可以直接作用在原始输入上进行活动分类，而且还允许动态调整模型结构以适应人类活动的时间变化，并在挑战性场景下验证了该方法的优越性，同时还给出了一个大型的 RGB-D 视频人类活动数据库。

    Jan, 2015

  • 使用深度学习方法和单帧 CNN 及卷积 LSTM 进行人类活动识别

    本文探讨了基于深度学习的两种方法 —— 单帧卷积神经网络和卷积长短时记忆，以实现从视频中识别人类行为，同时在 UCF50 数据集和实验数据集上对两个模型进行了评估，结果表明单帧 CNN 模型的准确性优于卷积 LSTM 模型。

    Apr, 2023