Nov, 2020

探究对比学习在健康人体活动识别中的应用

PDF
TL;DR本文旨在将对比学习技术 SimCLR 应用于人类行为识别（HAR）中，通过 64 种不同信号转换来增强数据，发现在健康相关应用中，该技术可显著改善监督和无监督学习方法的性能。
human activity recognitionsimclrcontrastive learningdata augmentationhealthcare applications
发现论文，激发创造
  • 基于聚类的消极筛选法用于人类活动识别中的对比学习

    该研究提出了一种新的对比学习框架 ClusterCLHAR，以应用于基于传感器数据的人类活动识别，在三个基准数据集上的实验结果表明它在自我监督学习和半监督学习中优于所有最先进的方法。

    Mar, 2022

  • 使用硬负采样的多模态对比学习在人类活动识别中的应用

    人类活动识别（HAR）是一个广泛研究的课题，其中对于多模态 HAR，采用一种硬负采样方法以及对骨骼和 IMU 数据对的硬负采样损失进行学习，能够提供强大的特征表征，用于活动识别。

    Sep, 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

  • 穿戴式小规模任务上的对比学习要素

    本文研究了自监督学习和对比学习在可穿戴设备活动识别任务上的应用。作者从算法级别和任务级别两个角度进行深入研究，并提出了开源 PyTorch 库 CL-HAR，旨在为未来的研究提供实用工具。

    Feb, 2022

  • 对比预测编码用于人类活动识别

    使用 Contrastive Predictive Coding（CPC）框架进行人体活动识别，通过对感应器数据流的长期时间结构的捕捉，得到极好的识别效果，适用于仅有少量标记数据的情况。

    Dec, 2020

  • 人体动作识别中对比式左右可穿戴传感器 (IMUs) 一致性匹配

    利用机器学习算法的自我学习和传感器数据的对比匹配，可以解决实际数据标注的瓶颈问题，提高人体活动识别系统的性能。

    Nov, 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

  • 基于正则化的持续学习方法评估：应用于 HAR

    本研究提供了三种基于正则化的技术在人体活动识别领域的综合比较，强调它们的优势和局限性。实验结果表明，不单一种方法在所有情况下都优于其他方法。

    Apr, 2023

  • 视觉表示对比学习的简单框架

    SimCLR 是一种简单的对比学习框架，通过定义有效的预测任务、引入可学习的非线性变换以及使用大型批次和更多的训练步骤来提高对比学习的效果，在 ImageNet 数据集上实现了比以往方法更好的自监督和半监督学习结果。

    Feb, 2020

  • 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