Jul, 2023

随机 HAR: 传感器选择和强化学习提高集成深度学习在人类活动识别中的性能

PDF
TL;DR通过训练多个基于相同架构、从给定数据集中随机选择的模型并使用加强学习算法确定最佳的模型子集，提出了一种名为 randomHAR 的集成方法，以优化集成过程而非组成模型的架构，在 6 个人体活动识别基准数据集上的实验结果表明：该方法表现优于当前最优方法 ensembleLSTM。
deep learninghuman activity recognitionensemble methodreinforcement learningsensor data
发现论文，激发创造
  • ActiveHARNet：基于设备端深度贝叶斯主动学习的人类活动识别

    本研究提出了 ActiveHARNet，一种支持设备上增量学习和推理的资源有效的深度集成模型，该模型使用 dropout 中的 Bayesian 神经网络近似来表示模型不确定性，并结合适当的主动学习获取函数。在两个公开可用的手腕 HAR 和跌倒检测数据集上的实证结果表明，ActiveHARNet 在不同用户之间的推断效率上实现了显着的提升，并在增量学习中获得了至少 60％的数据采集减少率，从而证明了部署和增量学习的可行性。

    May, 2019

  • 传感器数据下的人体活动识别概述

    人体活动识别（HAR）是一项基础研究领域，已经在家庭与职场自动化、安全监控以及医疗保健等多个应用中得到应用。本文综述了基于传感器的 HAR，讨论了依赖于 HAR 的几个重要应用，并介绍了 HAR 中常用的机器学习方法，同时探讨了 HAR 存在的若干挑战以进一步提高其稳健性。

    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

  • 佩戴式设备行为识别的深度 LSTM 学习器集成

    本文介绍了一种能够应用于人类活动识别领域的深度长短期神经网络模型，该模型使用集成学习方法来提升分类准确度，并在三个标准测试数据集上表现出了出色的识别能力，具有很好的实际应用价值。

    Mar, 2017

  • 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

  • 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

  • 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

  • ConvBoost: 提升用于传感器活动识别的卷积神经网络

    本文提出了 ConvBoost 框架，它是一种基于卷积神经网络的人体活动识别的结构模型，通过增加三种不同的数据增强模式，来解决训练样本不足的问题，从而对现有的卷积神经网络模型进行提升。在三个标准基准数据集上得到了显著的性能提升。

    May, 2023

  • 利用穿戴设备进行人类活动识别的深度卷积和循环模型

    本文探讨了基于深度学习在普适计算中的人类活动识别（HAR）技术，介绍了如何使用具有创新性的正则化方法训练循环神经网络，提出了适用于 HAR 问题的模型，并通过多个随机实验说明了超参数的影响和模型的适用性。

    Apr, 2016

  • SelfAct: 基于自监督和主动学习的个性化活动识别

    SelfAct 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。

    Apr, 2023