利用加速度计与 GNSS 数据进行动物行为原位分类的多模态传感器数据融合
综合不同的感知模态与多个位置有助于形成对人类行为等复杂情况的统一感知和理解,因此,人类活动识别受益于综合冗余和互补信息(单模态 / 多模态)。然而,这并不是一项容易的任务,它需要多学科的方法,包括传感器技术、信号处理、数据融合算法和领域特定知识。本博士研究使用惯性、压力(音频和大气压力)和纺织电容感应等感知模型进行人类活动识别。所探索的场景包括手势和手部位置跟踪、面部和头部模式识别以及身体姿势和手势识别。所选择的可穿戴设备和感知模型完全集成了基于机器学习的算法,其中一些实现在嵌入式设备上,并在实时环境中进行了测试。
Apr, 2024
本文提出了一种新颖的多模态人体活动识别系统,并使用了两种流的决策级融合来融合视觉和惯性传感器的信息,通过此方法准确率远高于现有的最先进方法。
Jun, 2023
本论文提出了一种基于多模态数据融合的车辆跟踪框架,该框架利用图像处理和速度估计的方法对城市区域中的车辆进行跟踪,并通过 Kalman 滤波等方法实现车辆定位和轨迹跟踪的任务。实验结果表明了该方法的高效性。
Oct, 2018
通过测量地磁数据,该研究构建和训练了一种基于时间注意力的长短期记忆网络,用于长距离水下导航,并通过最大似然估计检测并量化地磁异常,以提高导航的准确性和稳定性。
Feb, 2024
自动监测仔牛行为是评估动物福利的有前途的方法。本研究旨在从加速度计数据中开发机器学习模型,对断奶前的仔牛主要行为进行分类,并建立数字工具以监测仔牛的行为。
Jun, 2024
基于 Residual 网络和 Residual MobileNet 集成的分层多结构方法(FusionActNet)能够有效地对不同的人类活动进行分类识别,并在 UCI HAR 和 Motion-Sense 数据集上取得了 96.71% 和 95.35% 的准确率。
Oct, 2023
使用知识蒸馏技术,从加速度计数据中学习动物行为的紧凑而准确的模型,并利用门控循环单元(GRU)和多层感知器(MLP)作为学生模型,有效地降低了推理的计算和存储要求。进一步使用动态定点量化(DQ)技术在现场对动物行为进行分类,验证了该方法在提高准确度和效率方面的有效性。
Sep, 2022
通过将传感器数据分类任务转化成游戏,并引入深度强化学习和注意力机制,我们建立了一个具有竞争力的分类器,该分类器适用于具有复杂情况的应用领域,如医疗保健和娱乐等。
Apr, 2018
该研究旨在比较 ROCKET、Catch22 和 Hand-Crafted 特征在预断奶小牛行为分类中的表现,结果表明 ROCKET 和 RidgeClassifierCV 的组合具有最好的平衡准确率(0.77),进而证明针对特定行为和环境调整这些方法对推进精确畜牧业和提高动物福利尺度上至关重要。
Apr, 2024
我们介绍了一个多模态视觉框架,用于精确畜牧业,利用 GroundingDINO、HQSAM 和 ViTPose 模型的力量。此集成套件可以从视频数据中进行全面的行为分析,无需侵入性动物标记。GroundingDINO 在家畜周围生成准确的包围框,而 HQSAM 在这些框内分割个体动物。ViTPose 估计关键身体点,便于姿势和运动分析。在包括放牧、奔跑、坐立和行走活动的绵羊数据集上进行演示,我们的框架提取了宝贵的洞察力:活动和放牧模式、互动动力学和详细的姿势评估。该框架适用于各个物种和视频分辨率,为活动检测、计数、健康评估和姿势分析领域的非侵入性畜牧监测带来革命。通过基于数据驱动的行为理解,它给予农场管理以动力,并优化动物福利和生产力。
Jun, 2024