Jun, 2023

AmicroN: 生成细粒度微活动标注的人类活动识别框架

PDF
TL;DR本文旨在通过开发 AmicroN 框架，使用运动签名和现有的宏观活动标签来自动生成微观活动标注，从而解决人类活动识别中未标注数据量过大的问题，并在公开数据集上进行了严格评估。
human activity recognitionunlabeled sensor datamicro-activity annotationsamicronunsupervised learning
发现论文，激发创造
  • 人类活动识别中自动数据注释技术的全面评估

    本文系统性地综述了数据注释技术在 Human Activity Recognition (HAR) 领域中的应用，通过分类和分类法对现有方法进行整理，旨在为应用场景中的技术决策提供支持。

    Jul, 2023

  • 微动作识别基准：数据集、方法和应用

    该研究提出了一个用于微动作识别的基准测试集 Micro-action-52（MA-52）和微动作网络（MANet），通过收集全面的微动作线索来解决微动作的识别和理解问题，并展示了该方法在情感识别方面的应用价值。

    Mar, 2024

  • 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

  • 关于生成式基础模型对人类活动识别的好处

    通过生成式人工智能从文本描述中自动生成虚拟 IMU 数据，人类活动识别（HAR）领域能够解决有限标注数据的问题。此外，还探讨了生成式人工智能在生成基准数据集、特定于 HAR 的模型开发、HAR 中的层次结构探索、复杂活动分解以及健康感知和活动总结等领域有着前景的研究方向。

    Oct, 2023

  • 建模标签语义提升活动识别

    本论文提出了一个基于序列到序列的神经网络框架，以学习共享活动标签名称的语义，而不是将标签仅视为整数 ID，这有助于提高人类活动识别的性能。该方法将学习活动分解为学习共享标记，通过在七个基准人类活动识别数据集上的广泛实验表明其优于现有方法。

    Jan, 2023

  • 基于 LLM 的环境传感器多人人体活动识别

    本文提出了一种基于大型语言模型的系统框架 LAHAR，通过利用提示工程技术，在多人场景中实现人类活动识别，并针对环境中发生的事件进行了主体分离和动作级描述。我们在 ARAS 数据集上验证了我们的方法，结果表明 LAHAR 在更高分辨率下实现了与最先进方法相当的准确性，并在多人场景中保持了稳健性。

    Jun, 2024

  • 基于时间序列分析的 U-Net 人体活动识别

    本文提出了一种基于 U-Net 的 HAR 算法，通过将加速度计的活动数据映射为具有单像素列和多通道的图像输入到神经网络进行训练和识别，从而实现像素级姿态识别，无需手动特征提取，能够有效识别长期活动序列中的短期行为，与其他六种机器学习方法相比，该算法在各数据集中具有最高的准确性和 F1 得分，并具有稳定表现和高鲁棒性，同时实现了快速识别速度。

    Sep, 2018

  • 使用硬负采样的多模态对比学习在人类活动识别中的应用

    人类活动识别（HAR）是一个广泛研究的课题，其中对于多模态 HAR，采用一种硬负采样方法以及对骨骼和 IMU 数据对的硬负采样损失进行学习，能够提供强大的特征表征，用于活动识别。

    Sep, 2023

  • 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