Jun, 2022

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

PDF
TL;DR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。
human activity recognitiontransfer learningdomain adaptationgeneralizable cross-domain harsemantic-discriminative mixup
发现论文，激发创造
  • 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

  • 建模标签语义提升活动识别

    本论文提出了一个基于序列到序列的神经网络框架，以学习共享活动标签名称的语义，而不是将标签仅视为整数 ID，这有助于提高人类活动识别的性能。该方法将学习活动分解为学习共享标记，通过在七个基准人类活动识别数据集上的广泛实验表明其优于现有方法。

    Jan, 2023

  • 面向域泛化的语义感知混合

    该研究提出了一种基于语义的混合策略（SAM）来解决深度神经网络在遇到未知目标域时的泛化问题，在傅里叶谱的启示下，SAM 将混合策略应用于傅里叶相位和振幅信息，有效地提高了图像分类任务的准确性。

    Apr, 2023

  • 基于可穿戴设备的半监督人体活动识别行为插值

    混合廣場：一種利用有標籤和無標籤活動的深度半監督人體活動識別方法，通過線性插值和混合校準機制來提高傳感器數據的特徵嵌入效果，展示了深度半監督技術在人體活動識別中的潛力。

    May, 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

  • 整合公共人类活动识别数据集以缓解标记数据稀缺问题

    本研究提出了一种结合公共数据集的新策略，用于学习通用的人类活动识别模型，并表明结合公共数据集可以显著减少在未知目标领域上实现令人满意的性能所需的标记样本的数量。

    Jun, 2023

  • 使用 Mixup 训练改进无监督领域自适应

    本论文研究了无监督域适应问题，提出了使用 mixup 公式在领域之间强制应用训练约束，并引入特征级一致性正则化器来促进跨域约束，有条件混合和领域对抗学习，显著提高了图像分类和人类活动识别的重要任务的最新表现。

    Jan, 2020

  • 基于子结构最优传输的跨域活动识别

    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。

    Jan, 2021

  • 关注跨域人群理解中的语义一致性

    本文提出了一种领域适应方法，采用语义一致性、语义提取和对抗训练技术解决了合成数据适应性差的问题，在三个数据集上实验结果表明该方案在跨领域计数问题中达到了最先进水平。

    Feb, 2020

  • 利用生成对抗网络的跨主体迁移学习在人类活动识别系统中的应用

    本文介绍了一种名为 SA-GAN（Subject Adaptor GAN）的对抗性学习方法，利用生成式对抗网络框架在穿戴传感器人体活动识别领域进行跨主体迁移学习，表现优于其他现有的方法，准确性高达 90%。

    Mar, 2019