Mar, 2019

利用生成对抗网络的跨主体迁移学习在人类活动识别系统中的应用

PDF
TL;DR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%。
intelligent systemssmart homeshealthhuman activity recognitiontransfer learning
发现论文，激发创造
  • 人体活动识别中的迁移学习综述

    基于传感器的人体活动识别是一个活跃的研究领域，本文调查了应用于智能家居和可穿戴设备的活动识别的迁移学习方法，总结了现有工作并提出了未来研究方向。

    Jan, 2024

  • 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

  • 基于时间注意力的深度生成领域适应，用于跨用户活动识别

    我们的研究提出了一种新颖的 Deep Generative Domain Adaptation with Temporal Attention (DGDATA) 方法，通过在领域适应过程中识别和整合时序数据中嵌入的时间关系，我们的方法改进了跨用户人体活动识别的分类性能。我们在三个面向不同场景和应用的公共基于传感器的人体活动识别数据集上进行了全面评估，以证明所提出的 DGDATA 方法的有效性。

    Mar, 2024

  • 人体活动检测的多任务自监督学习

    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

  • 使用参数优化的多阶段图卷积网络和 Transformer 模型进行人类活动识别的特征融合

    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

  • 基于惯性测量单元的人体活动识别领域自适应：一项调查

    本文综述了近期就惯性测量单位（IMU）为基础的人体活动识别领域中应用于领域自适应技术的最新研究进展，并讨论了潜在的未来方向。

    Apr, 2023

  • FedOpenHAR：传感器基于的人体活动识别的联邦多任务迁移学习

    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

  • 基于迁移学习的适应性工人 - 机器人交互的鲁棒活动识别

    该论文提出了一种迁移学习方法，用于识别建筑工人的活动，需要比较少量的数据和计算时间，同时具有较好的分类准确性。研究表明，该方法可以在建筑领域中鲁棒地识别活动，对协作机器人的广泛应用具有重要意义。

    Aug, 2023

  • 了解邻居：智能家居中有效的传感器数据人体活动识别的基于图的方法

    通过学习传感器之间的显式共同触发关系，我们提出了一种新颖的图导向神经网络方法，该方法通过将离散的输入传感器测量映射到特征空间，应用注意机制和节点嵌入的分层汇聚，在 CASAS 数据集上进行实验证明了我们提出的方法在智能家居人体活动识别方面优于现有方法，并将其推向更接近真实世界应用的方向。

    Nov, 2023

  • 利用对抗网络的跨模态知识转移 —— 手势识别研究

    本文提出了一个基于语言表示的手势识别框架 TRANSFER，利用一个预先指定的句法结构和分词器来抽象低级别技术特性，使得可以学习从视频到 Wi-Fi，从视频到加速度计等三种不同情形下的手势模型和识别手势的知识传输。

    Jun, 2023