HAKE: 人类活动知识引擎
该论文提出了一种新的方法来解决人类活动理解中的图像识别问题,该方法包括将像素映射到原子活动原始空间内,然后利用可解释的逻辑规则进行语义推理。该方法获得了很大的改进和成功,并且在当前研究领域有着广泛的应用。
Feb, 2022
本研究提出了一个新的路径,通过首先推断人体部位状态,然后基于部位级语义推理出活动,以此构建人类活动知识引擎,利用人类身体部位状态(PaSta)和大规模知识库 PaStaNet,采用两种模型 Activity2Vec 和基于 PaSta 推理的方法,在监督和转移学习中显著提高了表现。
Apr, 2020
这篇论文分析了当前视频中人类活动理解的研究现状和未来方向,探讨了数据集,评估指标,算法和未来发展方向,并提出需要掌握的信息以实现活动理解的重大进展。
Aug, 2017
人类活动识别(HAR)是一个经过研究的领域,研究始于 20 世纪 80 年代。本文通过对数据的多样性和模型的容量等因素进行系统研究,全面梳理现代深度学习方法在识别复杂 HAR 时存在的准确性问题,并提出了潜在的研究方向。
Apr, 2024
本论文提出了一个基于序列到序列的神经网络框架,以学习共享活动标签名称的语义,而不是将标签仅视为整数 ID,这有助于提高人类活动识别的性能。该方法将学习活动分解为学习共享标记,通过在七个基准人类活动识别数据集上的广泛实验表明其优于现有方法。
Jan, 2023
为了改进基于可穿戴传感器的人体活动识别,本文提出了一种从 3D 骨架姿势序列中直接生成传感器数据的姿势到传感器网络模型,并同时训练姿势到传感器网络和人体活动分类器,通过优化数据重构和活动识别来改进性能。实验结果表明该框架优于基线方法,并在 MM-Fit 数据集上取得了显著的性能提升。
Apr, 2024
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
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
该论文首次系统地展示了最新的 TAL 模型在使用原始惯性数据作为输入进行可穿戴式人体活动识别(HAR)方面的适用性,并利用 4 个可穿戴活动识别基准数据集证明这些模型在 F1 分数上的提高幅度可达 25%。通过引入 TAL 社区的最流行度量标准 —— 均值平均精度,论文分析表明 TAL 模型能够产生更连贯的片段,并在所有数据集上具有更高的 NULL 类别准确率。作为首次提供这样的分析,TAL 社区为惯性式 HAR 提供了一个有待探索的设计选择和训练概念的有趣新视角,对惯性式 HAR 社区具有重要价值。
Nov, 2023
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