May, 2023

基于统计特征引导扩散模型的无监督传感器人体活动识别

PDF
TL;DR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。
human activity recognitionunsupervised learningsensor datasynthetic datadiffusion model
发现论文，激发创造
  • 利用可穿戴传感器数据进行无监督嵌入式学习的人体活动识别

    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

  • 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

  • 传感器人体活动识别的深度神经网络架构和特征提取设计的研究

    通过在两个人体活动识别数据集上进行广泛的实验研究，我们调查了常见的深度学习和机器学习方法以及不同的训练机制（如对比学习）和从传感器时间序列数据中提取的各种特征表示的性能，以评估它们在人体活动识别任务中的有效性。

    Sep, 2023

  • 基于传感器的活动识别的深度学习：一项综述

    本文综述了深度学习在传感器活动识别中的最新进展，并从传感器模态、深度模型和应用三个方面总结了现有文献，并提出了未来研究的重大挑战。

    Jul, 2017

  • 了解邻居：智能家居中有效的传感器数据人体活动识别的基于图的方法

    通过学习传感器之间的显式共同触发关系，我们提出了一种新颖的图导向神经网络方法，该方法通过将离散的输入传感器测量映射到特征空间，应用注意机制和节点嵌入的分层汇聚，在 CASAS 数据集上进行实验证明了我们提出的方法在智能家居人体活动识别方面优于现有方法，并将其推向更接近真实世界应用的方向。

    Nov, 2023

  • 使用基于集合的神经网络从高度稀疏的传感器数据流中识别人类活动

    本文研究如何在时间稀疏的数据上直接使用深度学习模型进行活动识别，并从老年人的多个真实数据集中，通过学习活动特征空间，得出相比于现有模型有显著分类性能提升的结论。

    Jun, 2019

  • 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

  • 半监督卷积神经网络用于人类活动识别

    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

  • 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

  • HAR-GCNN: 利用深度图卷积神经网络从高度未标记的移动传感器数据中识别人类活动

    提出了一种基于深度图卷积神经网络的人体活动识别方法（HAR-GCCN），该方法利用传感器测量之间的时间相邻性来预测未分类活动的正确标签。通过新的训练策略和数据集，该方法在多个数据集上展现了比现有基线方法优越约 25％和高达 68％的分类准确性。

    Mar, 2022