基于室内轨迹数据的半监督活动识别方法
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
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
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
通过对三维空间内由佩戴式加速度计测量的加速度数据的多维时间序列进行分割,本文分析了活动识别的问题,并提出了一种特定的统计潜在过程模型进行自动时段分割,该模型通过隐藏的离散逻辑过程来控制随时间而变换的多个活动。最终结果表明,本文提出的方法在完全无监督的情况下运作,并且不需要特征提取预处理步骤,其性能非常有竞争力。
Dec, 2013
本文提出了一个新的人类出行轨迹挖掘流程,利用大型语言模型对兴趣点进行活动类型标注,并使用基于贝叶斯算法推断轨迹中每个停留点的活动,评估结果表明,该方法在 POI 分类方面达到了 93.4% 的准确率和 96.1% 的 F-1 分数,并在活动推测方面达到了 91.7% 的准确率和 92.3% 的 F-1 分数。
May, 2024
该论文介绍了一种无监督方法,通过基于人类活动的特性将人类活动投射到一个嵌入空间中,在该空间中相似的活动会紧密地聚集在一起,从而帮助聚类算法实现对人类活动的识别和分类,相较于直接应用于原始数据集的非监督技术,我们的方法在识别和分类潜在人类活动方面取得了更好的性能。
Jul, 2023
本文提出了一种基于非监督统计特征引导扩散模型的传感器数据的人类活动识别方法,通过利用统计信息来生成多样化和代表性的合成传感器数据。研究结果表明,所提出的方法可以提高人类活动识别的性能并胜过现有技术。
May, 2023
本研究提出了一种新的基于 Transformer 模型的团队活动识别方法,该方法借助注意机制对部分环节进行定位与编码,再对其进行聚合以反映整个活动的完整背景和每个环节的时间演化,无需借助较强的监督方法,在两个基准测试中均表现良好。
Apr, 2022
本研究使用轨迹和视觉数据来检测足球比赛中的群体活动,并提出了自我注意力模型来显式地建模球员与球之间的交互作用。结果表明,基于视觉或轨迹的方法都能够在 0.5 秒内识别出大部分事件,并且每种方法都有其独特的挑战。
Apr, 2020