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
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。
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
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
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
本文通过基于自注意力机制的神经网络模型,有效地解决了从身体穿戴传感器数据中提取人类活动的空间和时间序列信号依赖性识别的问题,并在四个流行的 HAR 数据集上进行了大量实验,获得了显著的性能改进。
Mar, 2020
该研究论文探讨了在多任务环境下的联邦迁移学习,用于基于传感器的人体活动识别和设备位置识别任务,并通过使用 OpenHAR 框架和 DeepConvLSTM 结构在联邦学习环境中进行了多个实验,结果显示相比个别客户端训练和完全集中化方法,利用迁移学习和训练的任务特定及个性化的联邦模型可以获得类似的准确性并且更高的准确性。
Nov, 2023
利用时间戳监督的联合活动分割和识别方法,通过估计原型、生成样本级伪标签以及最优运输理论,以改善人类活动识别和时间序列分割问题。
Oct, 2023
本研究通过对不同样本生成过程和验证协议进行分析,实施和评估了多种高性能方法,从手工制作的方法到卷积神经网络等各种方法,发现当前的实验评估方法都无法在可穿戴传感器数据的背景下执行活动识别,在此之中,识别准确度显着下降,该研究着重解决了在可穿戴传感器数据基础上的人体活动识别中影响识别准确性的关键问题,是第一篇解决这个问题的研究。
Jun, 2018
该论文介绍了一种基于多智能体原理的协作式分布式学习方法,其中配备传感器设备的个体用户在分布式网络中作为代理人,共同贡献于学习和分类人类活动的全面过程。该方法不仅保护了每个个体的活动监测数据的隐私,消除了外部服务器监督学习过程的需求,而且还具备克服传统集中模型限制并适应每个用户的独特属性的潜力。经过在不同环境下对 PAMAP2 和 HARTH 两个公开可访问的人体活动识别数据集的实证测试,提供的实证结果明确突出了个体间协作学习在局部和全局泛化方面相对于集中式配置的功效。