人体活动检测的多任务自监督学习

Jul, 2019

人体活动检测的多任务自监督学习

Multi-task Self-Supervised Learning for Human Activity Detection

Aaqib Saeed, Tanir Ozcelebi, Johan Lukkien

TL;DR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。

Abstract

deep learning methods are successfully used in applications pertaining to ubiquitous computing, health, and well-being. Specifically, the area of human activity recognition (HAR) is primarily transformed by the convolutional and recurrent neural networks, thanks to their ability to lea

deep learning human activity recognition unsupervised learning self-supervised technique smartphone-based har

发现论文，激发创造

基于可穿戴设备的半监督人体活动识别行为插值

混合廣場：一種利用有標籤和無標籤活動的深度半監督人體活動識別方法，通過線性插值和混合校準機制來提高傳感器數據的特徵嵌入效果，展示了深度半監督技術在人體活動識別中的潛力。

May, 2024

半监督卷积神经网络用于人类活动识别

本文介绍两种基于卷积神经网络的半监督学习方法，用于加强原有的分类器对未标记的数据的识别，通过实验，表明我们的 CNN 在活动识别领域中的性能优于有监督学习方法和传统的半监督学习方法，Fm 得分甚至可以提高 18%。

Jan, 2018

使用可穿戴数据的自监督表示进行人类活动识别

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

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

SelfAct: 基于自监督和主动学习的个性化活动识别

SelfAct 是一种新颖的人类活动识别框架，结合了自监督和主动学习，通过利用大量未标记的数据进行预训练，学习传感器数据的高效表示，并通过新的无监督主动学习策略进行微调，其结果接近或优于完全监督方法的结果。

Apr, 2023

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

基于传感器的活动识别的深度学习：一项综述

本文综述了深度学习在传感器活动识别中的最新进展，并从传感器模态、深度模型和应用三个方面总结了现有文献，并提出了未来研究的重大挑战。

Jul, 2017

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

具有多样性和具有区分性的表示学习的通用低资源活动识别

提出了一种名为 DDLearn 的新方法，通过构建自监督学习任务，同时考虑多样性和判别性学习，扩大数据多样性和探索潜在的活动属性，从而实现针对低资源人类活动识别的泛化。

May, 2023

基于时间序列分析的 U-Net 人体活动识别

本文提出了一种基于 U-Net 的 HAR 算法，通过将加速度计的活动数据映射为具有单像素列和多通道的图像输入到神经网络进行训练和识别，从而实现像素级姿态识别，无需手动特征提取，能够有效识别长期活动序列中的短期行为，与其他六种机器学习方法相比，该算法在各数据集中具有最高的准确性和 F1 得分，并具有稳定表现和高鲁棒性，同时实现了快速识别速度。

Sep, 2018