Jan, 2024

CLAN: 基于对比学习的新颖性检测框架用于人体活动识别

PDF
TL;DR在环境辅助生活中，通过对时间序列传感器数据进行人类活动识别，主要关注预定义活动，通常忽略新的活动模式。本研究提出了一种基于对比学习的 CLAN 框架，用于人体活动识别的新颖性检测，该框架具有多种类型的负样本，并考虑到人类活动的特征挑战，包括时间和频率特征的显著性、复杂的活动动态、活动之间的共享特征以及传感器模态变化。该框架旨在构建抗挑战性的已知活动不变表示。通过对比和分类损失的表示学习以及基于评分函数的新颖性检测，生成适当的负样本对，根据每个数据集的时间和频率特征选择数据增强方法。提出的两塔模型从时间和频率两个方面提取表示，相互增强可区分新旧活动的表现能力，即使它们具有共同特征。在四个真实世界人类活动数据集上的实验证明，CLAN 的性能优于现有新颖性检测方法，AUROC、平衡准确度和 [email protected] 指标分别提高了 8.3%、13.7% 和 53.3%。
ambient assisted livinghuman activity recognitioncontrastive learningnovelty detectionsensor data
发现论文，激发创造
  • 基于聚类的消极筛选法用于人类活动识别中的对比学习

    该研究提出了一种新的对比学习框架 ClusterCLHAR，以应用于基于传感器数据的人类活动识别，在三个基准数据集上的实验结果表明它在自我监督学习和半监督学习中优于所有最先进的方法。

    Mar, 2022

  • 面向弱监督时序活动定位的对抗感知背景损失

    本文提出了一种新的基于弱监督学习的时间活动定位方法 A2CL-PT，通过使用两个三元组来学习每个活动类别的区分特征和每个视频中活动相关特征与背景特征的区分特征，以此增强识别无活动发生时的性能并提高精度，实验证明该方法有效，特别是在 THUMOS14 数据集上平均 IoU 阈值从 0.1 到 0.9 的平均 mAP 得分从 27.9％提高到 30.0％。

    Jul, 2020

  • 使用硬负采样的多模态对比学习在人类活动识别中的应用

    人类活动识别（HAR）是一个广泛研究的课题，其中对于多模态 HAR，采用一种硬负采样方法以及对骨骼和 IMU 数据对的硬负采样损失进行学习，能够提供强大的特征表征，用于活动识别。

    Sep, 2023

  • 探究对比学习在健康人体活动识别中的应用

    本文旨在将对比学习技术 SimCLR 应用于人类行为识别（HAR）中，通过 64 种不同信号转换来增强数据，发现在健康相关应用中，该技术可显著改善监督和无监督学习方法的性能。

    Nov, 2020

  • 基于时间序列分析的 U-Net 人体活动识别

    本文提出了一种基于 U-Net 的 HAR 算法，通过将加速度计的活动数据映射为具有单像素列和多通道的图像输入到神经网络进行训练和识别，从而实现像素级姿态识别，无需手动特征提取，能够有效识别长期活动序列中的短期行为，与其他六种机器学习方法相比，该算法在各数据集中具有最高的准确性和 F1 得分，并具有稳定表现和高鲁棒性，同时实现了快速识别速度。

    Sep, 2018

  • 了解邻居：智能家居中有效的传感器数据人体活动识别的基于图的方法

    通过学习传感器之间的显式共同触发关系，我们提出了一种新颖的图导向神经网络方法，该方法通过将离散的输入传感器测量映射到特征空间，应用注意机制和节点嵌入的分层汇聚，在 CASAS 数据集上进行实验证明了我们提出的方法在智能家居人体活动识别方面优于现有方法，并将其推向更接近真实世界应用的方向。

    Nov, 2023

  • LAN：学习自适应邻居用于实时内部威胁检测

    本文针对员工内部威胁检测进行研究，提出了一种实时活动层面的细粒度高效 LAN 框架，通过图结构学习同时学习活动序列内的时间依赖性和序列间的活动关系，采用混合预测损失来解决数据不平衡问题，实验表明 LAN 在实时和事后内部威胁检测中的性能优于其他基线方法。

    Mar, 2024

  • HAR-GCNN: 利用深度图卷积神经网络从高度未标记的移动传感器数据中识别人类活动

    提出了一种基于深度图卷积神经网络的人体活动识别方法（HAR-GCCN），该方法利用传感器测量之间的时间相邻性来预测未分类活动的正确标签。通过新的训练策略和数据集，该方法在多个数据集上展现了比现有基线方法优越约 25％和高达 68％的分类准确性。

    Mar, 2022

  • 对比预测编码用于人类活动识别

    使用 Contrastive Predictive Coding（CPC）框架进行人体活动识别，通过对感应器数据流的长期时间结构的捕捉，得到极好的识别效果，适用于仅有少量标记数据的情况。

    Dec, 2020

  • 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