轻量级变形金刚在移动设备上的人体活动识别
使用深度学习模型(如卷积神经网络和 Transformer)进行人类活动识别,研究表明特征融合对于改善活动识别系统的准确性和稳健性具有重要意义。使用 HuGaDB、PKU-MMD、LARa 和 TUG 数据集,PO-MS-GCN 和 Transformer 模型在准确性上进行了训练和评估,PO-MS-GCN 模型在效果上优于其他先进模型,并且特征融合在不同数据集上改善了结果。
Jun, 2024
本文介绍了一种新方法,即多视图融合变压器(MVFT),通过编码时间视图、频繁视图和统计视图来生成多视图特征,并提出一种新的注意机制以揭示细节关系建模。实验表明,该方法比几种最先进的方法更优异。
Feb, 2022
本文提出了使用卷积神经网络 (CNNs) 对人类活动进行分类的方法,该方法利用惯性传感器测量身体的加速度和角速度,并使用不同的神经网络结构适应运动信号,探究单个、双个和三个传感器系统的分类潜力,实验结果表明该方法具有很好的分类性能。
Jun, 2019
本研究提出了 ActiveHARNet,一种支持设备上增量学习和推理的资源有效的深度集成模型,该模型使用 dropout 中的 Bayesian 神经网络近似来表示模型不确定性,并结合适当的主动学习获取函数。在两个公开可用的手腕 HAR 和跌倒检测数据集上的实证结果表明,ActiveHARNet 在不同用户之间的推断效率上实现了显着的提升,并在增量学习中获得了至少 60%的数据采集减少率,从而证明了部署和增量学习的可行性。
May, 2019
该论文首次系统地展示了最新的 TAL 模型在使用原始惯性数据作为输入进行可穿戴式人体活动识别(HAR)方面的适用性,并利用 4 个可穿戴活动识别基准数据集证明这些模型在 F1 分数上的提高幅度可达 25%。通过引入 TAL 社区的最流行度量标准 —— 均值平均精度,论文分析表明 TAL 模型能够产生更连贯的片段,并在所有数据集上具有更高的 NULL 类别准确率。作为首次提供这样的分析,TAL 社区为惯性式 HAR 提供了一个有待探索的设计选择和训练概念的有趣新视角,对惯性式 HAR 社区具有重要价值。
Nov, 2023
为了改进基于可穿戴传感器的人体活动识别,本文提出了一种从 3D 骨架姿势序列中直接生成传感器数据的姿势到传感器网络模型,并同时训练姿势到传感器网络和人体活动分类器,通过优化数据重构和活动识别来改进性能。实验结果表明该框架优于基线方法,并在 MM-Fit 数据集上取得了显著的性能提升。
Apr, 2024
本研究基于一个大规模无标签数据集上学习的自监督表征及浅层多层感知器模型,在未参与训练的真实世界数据集上取得了良好性能,并可通过不同传感器的数据训练,从而实现了设备无关型人体活动识别模型,将有助于增加 HAR 领域中模型评估的标准化。
Apr, 2023