基于聚类的消极筛选法用于人类活动识别中的对比学习

Mar, 2022

基于聚类的消极筛选法用于人类活动识别中的对比学习

Negative Selection by Clustering for Contrastive Learning in Human Activity Recognition

Jinqiang Wang, Tao Zhu, Liming Chen, Huansheng Ning, Yaping Wan

TL;DR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。

Abstract

contrastive learning has been applied to human activity recognition (HAR) based on sensor data owing to its ability to achieve performance comparable to supervised learning with a large amount of unlabeled data a

contrastive learning human activity recognition unsupervised clustering self-supervised learning semi-supervised learning

发现论文，激发创造

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

探究对比学习在健康人体活动识别中的应用

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。

Nov, 2020

CLAN: 基于对比学习的新颖性检测框架用于人体活动识别

在环境辅助生活中，通过对时间序列传感器数据进行人类活动识别，主要关注预定义活动，通常忽略新的活动模式。本研究提出了一种基于对比学习的 CLAN 框架，用于人体活动识别的新颖性检测，该框架具有多种类型的负样本，并考虑到人类活动的特征挑战，包括时间和频率特征的显著性、复杂的活动动态、活动之间的共享特征以及传感器模态变化。该框架旨在构建抗挑战性的已知活动不变表示。通过对比和分类损失的表示学习以及基于评分函数的新颖性检测，生成适当的负样本对，根据每个数据集的时间和频率特征选择数据增强方法。提出的两塔模型从时间和频率两个方面提取表示，相互增强可区分新旧活动的表现能力，即使它们具有共同特征。在四个真实世界人类活动数据集上的实验证明，CLAN 的性能优于现有新颖性检测方法，AUROC、平衡准确度和 [email protected] 指标分别提高了 8.3%、13.7% 和 53.3%。

Jan, 2024

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

MHCCL: 遮盖分层聚类对比学习用于多变量时间序列

本文提出了一种基于遮盖的分层聚类对比学习模型（MHCCL），该模型利用多个潜在分区的分层结构中获得的语义信息用于多元时间序列的表示学习，通过新颖的向下遮罩策略过滤假负面、补充正面，进一步结合了聚类层次结构的多粒度信息，设计了新颖的向上遮罩策略以优化聚类元数据。实验结果表明，MHCCL 模型在七个广泛使用的时间序列数据集上比现有的无监督时间序列表示学习方法表现更卓越。

Dec, 2022

带负采样校正的对比学习

提出了一种名为 Positive-Unlabeled Contrastive Learning（PUCL）的新型对比学习方法，通过将负样本视为无标签样本，并利用正样本信息来修正对比损失，从而纠正了负采样偏差并提高了性能。

Jan, 2024

用对比学习支持聚类

该论文提出了 SCCL 框架，使用对比学习来帮助无监督聚类，有效提升类别间距离，进而在短文本聚类中达到更好的结果。研究表明，SCCL 能够显著提高精度和归一化互信息，同时有效结合自下而上的实例判别和自上而下的聚类来实现更好的聚类效果。

Mar, 2021

基于聚类的对比学习，以提高人脸表征

本文提出了一种名为 CCL 的基于聚类的对比学习方法，利用聚类得到的标签和视频约束来学习具有区分性的人脸特征，展示了该方法在视频人脸聚类的表征学习任务上的显著成果。

Apr, 2020

异构图对比学习中的结构感知难例挖掘

本文通过结构感知的硬负样本挖掘方案提出了一个基于自监督学习的对比学习方法，可以在少量标记数据的情况下提高异构图分析模型的准确性，并通过三个真实数据集的实证研究验证了该方法的有效性。

Aug, 2021

对比学习的合成硬负样本

本文提出了一种特征级方法，即采样合成难负样本用于对比学习（SSCL），以更有效地利用更难的负样本。该方法通过混合负样本生成更多且更难的负样本，然后通过控制锚定样本与其他负样本的对比度的方式进行采样，并且考虑到假负样本的可能性进一步消除了负样本。这种方法提高了不同图像数据集的分类性能，并可以轻松集成到现有方法中。

Apr, 2023