Dec, 2023

基于对比学习的单传感器活动识别的虚拟融合

PDF
TL;DR利用虚拟融合方法利用多传感器的未标记数据进行训练，在推理时仅需要一个传感器，提高了人体活动识别准确性，甚至超过实际融合。该方法在 UCI-HAR 和 PAMAP2 基准数据集上取得了最先进的准确度和 F1 值。
human activity recognitionsensorssensor fusionvirtual fusionactual fusion
发现论文，激发创造
  • 基于传感器的人体动作识别的多视角融合变压器

    本文介绍了一种新方法，即多视图融合变压器（MVFT），通过编码时间视图、频繁视图和统计视图来生成多视图特征，并提出一种新的注意机制以揭示细节关系建模。实验表明，该方法比几种最先进的方法更优异。

    Feb, 2022

  • 可穿戴活动识别的单模态和多模态传感器融合

    综合不同的感知模态与多个位置有助于形成对人类行为等复杂情况的统一感知和理解，因此，人类活动识别受益于综合冗余和互补信息（单模态 / 多模态）。然而，这并不是一项容易的任务，它需要多学科的方法，包括传感器技术、信号处理、数据融合算法和领域特定知识。本博士研究使用惯性、压力（音频和大气压力）和纺织电容感应等感知模型进行人类活动识别。所探索的场景包括手势和手部位置跟踪、面部和头部模式识别以及身体姿势和手势识别。所选择的可穿戴设备和感知模型完全集成了基于机器学习的算法，其中一些实现在嵌入式设备上，并在实时环境中进行了测试。

    Apr, 2024

  • MuJo：人体活动识别的多模态联合特征空间学习

    通过多模态对比预训练方法 MuJo，利用视频、语言、姿势和 IMU 传感器数据，改善了不同模态下的人类活动识别性能，在 MM-Fit 数据集上达到了令人印象深刻的宏平均 F1-Score 为 0.992 和 0.999 的分类效果，同时展示了最高达 0.638 的泛化性能。

    Jun, 2024

  • 使用参数优化的多阶段图卷积网络和 Transformer 模型进行人类活动识别的特征融合

    使用深度学习模型（如卷积神经网络和 Transformer）进行人类活动识别，研究表明特征融合对于改善活动识别系统的准确性和稳健性具有重要意义。使用 HuGaDB、PKU-MMD、LARa 和 TUG 数据集，PO-MS-GCN 和 Transformer 模型在准确性上进行了训练和评估，PO-MS-GCN 模型在效果上优于其他先进模型，并且特征融合在不同数据集上改善了结果。

    Jun, 2024

  • FedOpenHAR：传感器基于的人体活动识别的联邦多任务迁移学习

    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

  • 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

  • 基于视觉与惯性传感器数据的新型二流决策级融合技术，用于自动多模态人类活动识别系统

    本文提出了一种新颖的多模态人体活动识别系统，并使用了两种流的决策级融合来融合视觉和惯性传感器的信息，通过此方法准确率远高于现有的最先进方法。

    Jun, 2023

  • 跨域人体活动识别：少样本迁移学习

    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

  • 使用动态视觉传感器重新审视人类活动识别

    本文提出了一个大规模的基准数据集 HARDVS 来填补基于事件相机的人类活动识别领域的数据空缺，同时还提出了一个名为 ESTF 的新的空间 - 时间特征学习和融合框架，结合了 STEMNET 和 Transformer 矩阵计算。结果表明，ESTF 能够有效地学习和推断人类活动。

    Nov, 2022