Mar, 2020

利用自注意力进行可穿戴传感器数据的人类活动识别

PDF
TL;DR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。
human activity recognitionself-attentionneural networksensor dataspatial-temporal
发现论文，激发创造
  • 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

  • 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

  • 基于分层自注意力的自编码器用于开放式人类活动识别

    提出了一种基于自注意力的分层模型，该模型可以从不同的传感器位置收集数据，用于封闭式活动分类，以及从编码器中检测出开放式识别情境中的不可见活动类别。此工作在五个公共数据集上取得了显著的性能提升，并证明了其在噪声和体内信号的主体特异性方面表现出更强的鲁棒性。

    Mar, 2021

  • 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

  • 连续关注下理解和优化循环网络用于人类活动识别

    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。

    Oct, 2018

  • 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

  • 基于可穿戴传感器数据的人类活动识别：现有技术的标准化

    本研究通过对不同样本生成过程和验证协议进行分析，实施和评估了多种高性能方法，从手工制作的方法到卷积神经网络等各种方法，发现当前的实验评估方法都无法在可穿戴传感器数据的背景下执行活动识别，在此之中，识别准确度显着下降，该研究着重解决了在可穿戴传感器数据基础上的人体活动识别中影响识别准确性的关键问题，是第一篇解决这个问题的研究。

    Jun, 2018

  • 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

  • 针对人类动作识别的姿态条件的时空关注

    通过利用多模态视频数据，并提出使用两种方法来识别人类行为，包括使用卷积模型处理姿势流，由可调节关注机制控制图片流，最后经过 LSTM 神经网络对不同姿态下的处理进行特征提取，能够在多数据集上大幅度的提高人类行为识别的效果。

    Mar, 2017

  • 利用可穿戴感应器进行人类活动识别：综述、挑战和评估基准

    本文通过文献综述，使用六种公开数据集，采用标准化评估标准对最先进的人类活动识别技术进行比较，提出了一种改进的混合手工特征和神经网络架构的方法，优于先前的技术，并证明标准化评估是必要的。

    Jan, 2021