由于 HAR 中标记传感器数据的稀缺性，先前的研究已经转向使用视频数据合成惯性测量单元（IMU）数据，利用其丰富的活动注释。然而，在真实环境中从视频生成 IMU 数据对 HAR 提出了挑战，归因于合成 IMU 数据的质量较差且在细微、细粒度动作方面的效果有限。本文提出了我们的新颖多模态、多任务和对比基于框架方法 Multi$^3$Net 来解决数据有限的问题。我们的预训练过程使用在线存储库的视频，旨在同时学习文本、姿势和 IMU 的联合表示。通过使用视频数据和对比学习，我们的方法旨在增强可穿戴 HAR 性能，特别是在识别细微活动方面。我们的实验结果验证了我们的方法在利用 IMU 数据改善 HAR 性能方面的有效性。我们证明，使用我们的方法从视频生成的合成 IMU 数据训练的模型在识别细粒度活动方面超越了现有方法。

Jun, 2024

介绍了 MathWriting 数据集，它是迄今为止最大的在线手写数学表达式数据集，包含 23 万人工书写样本和 40 万个合成样本。MathWriting 还可用于离线 HME 识别，并且比所有现有的离线 HME 数据集（如 IM2LATEX-100K）都要大。为了推进在线和离线 HME 识别的研究，引入了基于 MathWriting 数据的基准测试。

Apr, 2024

本文比较了基于惯性测量单元 (IMU) 和基于视频的方法在军事按压和划船运动的人体运动分类中的表现，发现单个摄像头能比单个 IMU 提高 10 个百分点的分类准确率，而至少需要 3 个 IMU 才能超越单个摄像头。同时，使用基于多变量时间序列分类器进行原始数据处理的方法优于基于手工特征或自动提取特征的传统方法。最后，将单个摄像头和单个 IMU 的数据组合起来能超越任一数据模态，为使用智能手机摄像头和单一传感器进行有效的人体运动分类开辟了新的、更现实的途径。

Jul, 2023

提供了一个新的用于脚本识别算法比较的数据库，其中包含来自多个不同脚本的印刷和手写文件。该数据库可用于进行各种基准测试，并提供了不同级别和类型的脚本识别结果，为未来的研究提供基础。

May, 2024

本文提出了转移方法来构建手写图像数据集，以有效评估离线手写识别方法。我们提供了一个高质量的合成数据集，并使用各种现有方法进行了实验，以找出解决越南语手写识别问题的挑战。

Nov, 2022

本研究致力于为专业 C4I 系统开发专门设计的手写输入法（SketchIME），通过在该系统中利用素描作为低保真原型，在创建全面情境地图时推荐标准化符号。为此，该论文提出了一个包含 374 种专业素描类型的系统数据集，并通过多级监督的同时识别和分割架构，结合少样本领域自适应和类别增量学习，提高了网络适应新用户和扩展到新任务特定类别的能力。通过在提出的数据集和 SPG 数据集上进行的实验，验证了该架构的优越性能。

Nov, 2023

通过计算机视觉和惯性测量单元 (IMU) 等广泛应用的技术以及最近在临床和研究环境中日益流行，来评估人体的身体活动。然而，为了增加患者在实验室外的跟踪可行性，有必要减少运动采集设备。在这方面，IMU 设备和单一摄像头系统是有希望的解决方案。此外，还需要开发能够在野外环境中识别和处理临床相关数据的机器学习系统，因此确定这些系统的理想输入至关重要。

Feb, 2024

本研究提出并发布了牛津惯性里程计数据集（OxIOD），这是一种首屈一指的数据收集方式，可用于惯性里程计研究，具有地面实况标签。

Sep, 2018

本文提出了一种新颖且数据驱动的方法，利用智能手机中的惯性测量单元（IMU）学习估算自然人类运动轨迹。通过回归速率向量，通过历史线性加速度和角速度，纠正低频偏差，对估算位置进行两次积分，从而实现了人体运动的准确估算。此外，文中还展示了该算法与视觉惯性导航的可比性，并公开了代码和数据以便进一步研究。

Dec, 2017

介绍了一种称为 Motion ID 的用户认证新方法，该方法利用惯性测量单元 (IMUs) 提供的运动感应来验证个人身份。通过数据预处理和机器学习，该方法展示了高精度的用户认证，可与现有方法结合使用，也有望作为一种独立的解决方案。

Jan, 2023