Jul, 2023

弱监督下的孪生网络人体活动识别

PDF
TL;DR本文提出了一个由多个孪生网络组成的模型，仅使用关于数据样本对之间相似性的信息进行训练，而无需明确标记的数据样本，从而将活动数据样本映射为固定大小的表示向量，使表征空间中的向量之间的距离近似于输入空间中数据样本的相似性，因此该训练模型可以作为一种度量标准用于各种不同的聚类算法，文中通过对三个数据集进行评估，验证了该模型在连续人体活动序列的分割和识别方面的有效性。
deep learninghuman activity recognitionsiamese networkssimilarityclustering algorithms
发现论文，激发创造
  • 基于可穿戴设备的弱监督多任务表示学习人类活动分析

    我们提出了一种使用弱监督多输出连体网络的方法，该方法能够学习将数据映射到多个表示空间上，从而能够同时解决多个任务，并在许多情况下胜过单任务监督方法。

    Aug, 2023

  • 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

  • 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

  • 使用软标签的孪生网络在筛查乳腺 X 射线照片上进行无监督异常检测和裁剪预训练

    通过对比侧面乳房 X 射线摄影图像来训练神经网络，以实现全面无监督的方式区分异常病变和背景组织，从而实现乳房补丁分类任务中的卓越性能。

    Jan, 2024

  • 基于修改距离损失的孪生神经网络在语音情感识别中的迁移学习

    使用 Siamese 网络进行跨语音情感识别的迁移学习，通过 fine-tuning 和优化 distance loss 可以提高识别准确性。

    Jun, 2020

  • 使用深度三元组嵌入的个性化活动识别

    本研究探讨了基于全卷积神经网络的个性化活动识别方法，通过个人三元组深度嵌入，并与基线方法等进行了比较，结果表明三元组损失提供了最佳性能。

    Jan, 2020

  • 基于 Siamese 网络的深度学习人脸识别方法

    通过使用对比网络的方法，在没有标记的人脸图像的情况下，实现了接近监督基准的性能。

    Dec, 2023

  • 跟踪学习：用孪生卷积神经网络进行强健的目标关联

    本文提出一种新颖的数据关联方法，通过引入一个两阶段的学习方案来匹配检测对，第一阶段使用 Siamese 卷积神经网络来学习编码两个输入图像 patch 之间的局部空时结构描述符。第二阶段使用由比较的输入 patch 的位置和大小导出的一组上下文特征，通过梯度提升分类器与 CNN 输出结合来生成最终匹配概率，表明即使简单高效的跟踪器也可能在我们学习的匹配概率上表现优异，已公开可用的序列结果表明我们的方法达到了多人跟踪的最新标准。

    Apr, 2016

  • 基于多分支孪生嵌入学习的极低分辨率活动识别

    本论文提出了一种从极低分辨率视频（如 16x12）中识别人类活动的方法，既能够分析偏远地区的活动，同时也能实现隐私保护识别。我们设计了一个新的两流多 - Siamese 卷积神经网络，能够显式捕捉低分辨率视频的内在特性。实验证明，我们的方法优于之前的低分辨率识别方法，并且在两个公开的标准数据集上具有显著的优势。

    Aug, 2017

  • 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

    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。

    May, 2023