May, 2020

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

PDF
TL;DR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。
wearable sensorsdeep neural networkspatio-temporal featuresself-attention mechanismhuman activity
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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 使用卷积神经网络进行个性化的人类活动识别

    使用卷积神经网络的传递学习框架，以最小用户监督建立个性化活动识别模型，从而克服佩戴式传感器个性化人体活动识别模型在新用户或用户的物理 / 行为状态改变时性能显著降低的问题

    Jan, 2018

  • 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

  • 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

  • 佩戴式设备行为识别的深度 LSTM 学习器集成

    本文介绍了一种能够应用于人类活动识别领域的深度长短期神经网络模型，该模型使用集成学习方法来提升分类准确度，并在三个标准测试数据集上表现出了出色的识别能力，具有很好的实际应用价值。

    Mar, 2017