ColloSSL：面向人类活动识别的协作自监督学习

Feb, 2022

ColloSSL：面向人类活动识别的协作自监督学习

ColloSSL: Collaborative Self-Supervised Learning for Human Activity Recognition

Yash Jain, Chi Ian Tang, Chulhong Min, Fahim Kawsar, Akhil Mathur

TL;DR本文介绍了一种名为 Collaborative Self-Supervised Learning（ColloSSL）的新技术，利用用户多个设备收集的未标记数据来学习数据的优质特征，实验结果表明，ColloSSL 在多个实验设置中均优于全监督和半监督学习技术，与最佳基准测试成绩相比，F_1 得分的绝对增量最高达 7.9％；此外，ColloSSL 在低数据情况下也表现优异，仅利用最佳情况下可用的十分之一的标记数据即可优于全监督方法。

Abstract

A major bottleneck in training robust human-activity recognition models (HAR) is the need for large-scale labeled sensor datasets. Because labeling large amounts of sensor data is an expensive task, unsupervised and semi-supervised learning techniques have emerged that can learn good f

human-activity recognition collaborative self-supervised learning multi-device datasets unsupervised learning semi-supervised learning

发现论文，激发创造

基于对比自监督学习中的时间特征对齐的人体动作识别

本研究中，我们利用自监督学习范式 (SSL) 来学习未标记数据的深层次特征表达，提出了一种用于人类活动识别的动态时间规整 (DTW) 算法，强制特征在时间维度上对齐。我们的实验结果显示，该方法对于单一模态和多模态的情况均具有学习稳健特征表达的潜力，并在半监督学习中明显优于监督模型。

Oct, 2022

自监督学习模型在基于传感器的人类活动识别中的表征解释、分析和探索

本文研究自监督学习在传感器人体活动识别中的应用，并分析了两个最近的自监督学习框架 SimCLR 和 VICReg 的深层表示，比较了监督和自监督模型对输入数据噪声的鲁棒性，并通过可解释性方法探索了 SSL 和监督表示中编码的性质。研究表明，自监督学习表示比监督模型更加鲁棒，但监督模型学习到的特征更加均匀且更好地编码了活动的性质。

Apr, 2023

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

基于类别感知对比半监督学习

提出了一种名为 CCSSL 的半监督学习方法，采用类别聚类和图像对比改善模型的伪标签质量和在真实世界中的鲁棒性，并通过目标重新加权实现了干净标签学习和减少噪声标签学习。实验表明其在多个数据集上均取得了显著的性能提升。

Mar, 2022

基于 WiFi CSI 的人体活动识别的自监督学习：系统研究

本研究综合分析了基于不同种类的 SSL 算法在 WiFi CSI 基础上人体行为识别中的潜力，并通过对三个公开数据集的评估，揭示现有工作中的局限性和盲点，为实际应用和未来研究提供了有价值的指导。

Jul, 2023

半监督三维动作识别的对抗自监督学习

这篇研究论文介绍了 Adversarial Self-Supervised Learning (ASSL) 框架，在 3D 动作识别中，通过邻居关系的探索和对抗学习来加强 Semi-Supervised Learning，并提出了一种有效的自我监督学习方案，以提高所学特征的识别能力，并提出了对抗性规则化方法来对标记和未标记样本的特征分布进行对齐。在 NTU 和 N-UCLA 数据集上进行了大量实验，并在 3D 动作识别的少标记情况下证实了该方法相对于半监督学习的最新方法的优越性能。

Jul, 2020

FlexSSL: 泛化高效的半监督学习框架

通过构建一个半合作的 “游戏”，FlexSSL 旨在解决半监督学习中标签可观察性的辨别问题，从而充分利用标注和未标注数据，并通过理论推导证明了它与噪声标签上的损失重新加权的联系，通过在不同任务上的评估，我们证明了 FlexSSL 可以持续增强半监督学习算法的性能。

Dec, 2023

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

野外点云的时空自监督学习

本文提出了一种利用空间与时间正对数据的自监督学习策略，该方法包括了点聚集学习和无监督物体跟踪的方法，并通过对两个大规模 LiDAR 数据集的自监督训练和模型迁移得出：该方法在点云分割领域胜过现有的、只利用空间信息或忽略时序性质的自监督学习方法。

Mar, 2023

朝着真实的半监督学习

本文提出一种基于伪标签的半监督学习方法，能够处理 open-world SSL 问题，并通过样本不确定性和类别分布先验知识等手段，为已知和未知类别的未标记数据生成可靠的类别分布感知型伪标签。该方法在多种常用数据集上表现良好，特别是在 CIFAR-100，ImageNet-100 和 Tiny ImageNet 数据集上的表现显著优于现有的最先进技术。

Jul, 2022