Jan, 2021

基于子结构最优传输的跨域活动识别

PDF
TL;DR本篇论文提出了一种基于子结构匹配的领域自适应（SSDA) 方法，以更好地利用活动数据的局部信息进行精确和高效的知识转移，通过实验验证，在四个公共活动识别数据集上，相对于其他最先进的方法，SSDA 显著提高了 9% + 的分类精度，并且与使用相同超参数的传统基于超参数的 DA 方法相比，其速度提高了 5 倍。
domain adaptationhuman activity recognitionsubstructure-level matchingoptimal transport-based implementationclassification accuracy
发现论文，激发创造
  • 跨用户活动识别通过时间关系最优传输

    本文介绍了基于时间关系的最优运输（TROT）方法，利用时间关系来放松独立同分布的假设，实现准确、高效的跨用户活动识别领域自适应，并通过隐藏马尔可夫模型（HMM）和最优运输（OT）技术对活动进行时间关系对齐。综合实验表明，TROT 在三个公共活动识别数据集上优于其他先进方法。

    Mar, 2024

  • 基于深度域自适应和时间关系信息的跨用户活动识别

    基于深度时间状态领域自适应（DTSDA）模型，本研究旨在解决跨用户人类活动识别（cross-user HAR）中的行为变异性问题，通过利用活动中的不同子活动之间的时间关系，DTSDA 模型能够在不同用户之间建立起用户不变的时间关系，从而在跨用户 HAR 应用中展现出卓越的性能。

    Mar, 2024

  • 跨领域活动识别的分层迁移学习

    为了提高交叉领域活动识别的分类精度，本文提出了一种称为层级转移学习的框架，该框架可以利用类内相似性来进行类内知识转移。在三个大型公共活动识别数据集上的实验结果表明，STL 相对于其他先进方法具有显着的分类准确性提高（提高了 7.68%），并且还探讨了不同领域之间相似性和活动水平之间 STL 的性能表现。

    Dec, 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

  • 分层迁移学习的跨位置行为识别

    该研究提出了一种分层式传递学习（STL）框架，基于分层式距离捕获域的局部特性，可用于人体动作识别中传感器数据的源域选择和知识迁移问题，实验结果表明 STL 的优越性。

    Jun, 2018

  • FeatFDSA: 面向基于视频的活动识别的少样本域自适应

    本研究提出 FSDA-AR，即利用非常少量的标签目标视频实现有效自适应的少样本域自适应方法，通过深度学习技术中的潜在空间语义邻接损失，以及基于图注意网络的边缘丢失技术构建推荐算法和 FSDA-AR 基准测试，并在五个数据集上进行实验和评估，结果表明与非监督域自适应相比，在需要用较少的目标样本进行标记记录的情况下，FSDA-AR 的表现不逊于非监督领域自适应，在图像、视频等领域具有机器学习、计算机视觉等方面的研究应用价值。

    May, 2023

  • 语义 - 辨别混合应用于通用的基于传感器的跨领域活动识别

    本研究提出了一种名为 Semantic-Discriminative Mixup（SDMix）的新方法，用于泛化跨域 HAR，自动消除域差异，大幅提高了识别率。

    Jun, 2022

  • 领域自适应的最优传输

    该研究提出了一种规范化的非监督最优运输模型，通过找到公共表示来在源域和目标域之间执行两个领域的对齐，从而在标记和未标记的数据中同时利用了源和目标领域中的信息，该模型在可视化自适应方面表现优异。

    Jul, 2015

  • DAOT：领域无关对齐的最优传输在领域自适应人群计数中的应用

    这篇论文介绍了一种处理跨领域人群计数中领域内差异的领域无关因素的方法，通过实施三个步骤的 Domain-agnostically Aligned Optimal Transport (DAOT) 策略，对不同领域之间的差异进行优化对齐，并证明该方法在不同数据集上具有很强的普适性。

    Aug, 2023

  • 部分耦合的最优传输在口语认别中的应用

    本论文提出了基于部分最优传输的联合分布对齐模型（POT），以降低不同领域之间的差异，提高跨域口语识别（SLID）系统的性能，并在 SLID 任务上进行了实验证明了 POT 模型显著提高了模型性能。

    Mar, 2022