通过采集数据集，支持在自然场景下进行移动活动识别和健康监测，使用无监督领域适应算法和对比学习来提高识别准确性，数据集可供使用。

Jul, 2022

本文综述了近期就惯性测量单位（IMU）为基础的人体活动识别领域中应用于领域自适应技术的最新研究进展，并讨论了潜在的未来方向。

Apr, 2023

通过测试实验，本文指出基于深度学习从 RF 信号中提取特征进行设备指纹识别存在的域可移植性问题，并提出解决方案以提高其抗域可变性能力。

Nov, 2022

通过自监督的学习和对锻炼形式的理解，我们提出了一种在容易出现镜头角度、遮挡和光照变化的体育馆场景下，能够有效对运动员姿势进行检测的方法。我们还针对此目的创建了一个包含三种训练动作的新锻炼数据集，并且其自监督特征的表现超过了现有的 2D 和 3D 姿态估计器。

Feb, 2022

本研究提出 FSDA-AR，即利用非常少量的标签目标视频实现有效自适应的少样本域自适应方法，通过深度学习技术中的潜在空间语义邻接损失，以及基于图注意网络的边缘丢失技术构建推荐算法和 FSDA-AR 基准测试，并在五个数据集上进行实验和评估，结果表明与非监督域自适应相比，在需要用较少的目标样本进行标记记录的情况下，FSDA-AR 的表现不逊于非监督领域自适应，在图像、视频等领域具有机器学习、计算机视觉等方面的研究应用价值。

May, 2023

通过利用公开标记的人体活动识别数据集进行转移学习，我们提出了一种经济有效的跨领域人体活动识别框架，以更好地处理具有非常有限标签信息的活动识别场景。

Oct, 2023

本文提出了一种在从源域获取充足数据，但目标域的标记数据数量有限或不存在，并仅有少量成对的源目标数据的情况下，进行领域适应的方法。通过预训练一个表现良好的模型来提供更好的学习信号，从而检测基于便携式生物传感器的医学情况，并实现了许多在此领域的解决方案，以减少开发生物传感器的高性能深度学习模型所需的数据量和成本。

Mar, 2020

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

利用神经网络和 IMUs 原材料，作者设计了一种自动识别运动姿势的系统，即采用基于 CNN，LSTM 和 Dense 层的架构，利用构建出的数据集进行了训练。研究表明，该系统可以很好地识别出已知被试的运动姿势，但并不适用于未知被试者，并且不同的运动姿势识别性能存在显著差异。

Oct, 2022

本文研究了自动驾驶中的三维物体检测适应性问题，发现适应性差距的主要障碍在于地理区域间的车辆大小差异，提出了一种简单的校正方法，可用于大多数三维物体检测框架，为跨国家的三维物体检测适应性提供了第一个基准。

May, 2020