SelfAct: 基于自监督和主动学习的个性化活动识别

Apr, 2023

SelfAct: 基于自监督和主动学习的个性化活动识别

SelfAct: Personalized Activity Recognition based on Self-Supervised and Active Learning

Luca Arrotta, Gabriele Civitarese, Samuele Valente, Claudio Bettini

TL;DRSelfAct 是一种新颖的人类活动识别框架，结合了自监督和主动学习，通过利用大量未标记的数据进行预训练，学习传感器数据的高效表示，并通过新的无监督主动学习策略进行微调，其结果接近或优于完全监督方法的结果。

Abstract

supervised deep learning (DL) models are currently the leading approach for sensor-based human activity recognition (HAR) on wearable and mobile devices. However, training them requires large amounts of labeled d

supervised deep learning human activity recognition self-supervised learning active learning sensor data

发现论文，激发创造

使用可穿戴数据的自监督表示进行人类活动识别

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

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

使用 70 万人天可穿戴数据的自监督学习进行人类活动识别

本研究使用自我监督学习技术在 UK-Biobank 活动追踪器数据集上训练活动识别模型，结果表明该模型在七个基准数据集上的 F1 分数相对提高 2.5%~100%，可推广至不同外部数据集、设备和环境。开源的模型将有助于研究人员建立高性能、自定义和可推广的活动分类器。

Jun, 2022

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

人体活动识别中的迁移学习综述

基于传感器的人体活动识别是一个活跃的研究领域，本文调查了应用于智能家居和可穿戴设备的活动识别的迁移学习方法，总结了现有工作并提出了未来研究方向。

Jan, 2024

基于分布式代理的跨个体可穿戴传感器人体活动识别的协作学习

该论文介绍了一种基于多智能体原理的协作式分布式学习方法，其中配备传感器设备的个体用户在分布式网络中作为代理人，共同贡献于学习和分类人类活动的全面过程。该方法不仅保护了每个个体的活动监测数据的隐私，消除了外部服务器监督学习过程的需求，而且还具备克服传统集中模型限制并适应每个用户的独特属性的潜力。经过在不同环境下对 PAMAP2 和 HARTH 两个公开可访问的人体活动识别数据集的实证测试，提供的实证结果明确突出了个体间协作学习在局部和全局泛化方面相对于集中式配置的功效。

Nov, 2023

具有多样性和具有区分性的表示学习的通用低资源活动识别

提出了一种名为 DDLearn 的新方法，通过构建自监督学习任务，同时考虑多样性和判别性学习，扩大数据多样性和探索潜在的活动属性，从而实现针对低资源人类活动识别的泛化。

May, 2023

基于骨架姿势序列的传感器数据增强技术提升人体活动识别

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

利用自注意力进行可穿戴传感器数据的人类活动识别

本文通过基于自注意力机制的神经网络模型，有效地解决了从身体穿戴传感器数据中提取人类活动的空间和时间序列信号依赖性识别的问题，并在四个流行的 HAR 数据集上进行了大量实验，获得了显著的性能改进。

Mar, 2020

基于传感器的人体姿态感知的机器学习技术研究及数据异质性综述

通过分类数据异构类型、应用相应的适合的机器学习方法、总结可用的数据集并讨论未来的挑战，本论文探讨了机器学习如何解决人体活动识别中的数据异构问题。

Mar, 2024