从动作到指标：评估基于骨架的人类活动识别中的可解释 AI 方法

Feb, 2024

从动作到指标：评估基于骨架的人类活动识别中的可解释 AI 方法

From Movements to Metrics: Evaluating Explainable AI Methods in Skeleton-Based Human Activity Recognition

Kimji N. Pellano, Inga Strümke, Espen Alexander F. Ihlen

TL;DR本研究探讨了骨架型人类活动识别领域中的 XAI 评估指标的适用性和可靠性，并通过测试 faithfulness 和 stability 等已建立的 XAI 评估指标来解决了该领域中的一个问题。研究还引入了一种尊重人体生物力学约束的扰动方法，以确保人体运动的真实变化，发现在一些情境下 faithfulness 并不可靠，而 stability 则表现更加可信。此外，CAM 和 Grad-CAM 产生的解释几乎完全相同，导致 XAI 评估指标的性能非常相似，这需要更多多样化的指标和新的 XAI 方法应用于骨架型人类活动识别。

Abstract

The advancement of deep learning in human activity recognition (HAR) using 3D skeleton data is critical for applications in healthcare, security, sports, and human-computer interaction. This paper tackles a well-

deep learning human activity recognition xai metrics skeleton-based har perturbation method

发现论文，激发创造

定量评估显著性方法：实验研究

本文基于对解释人工智能（XAI）的准确定义和公正衡量标准缺失的讨论，提出了一种广泛的实验研究，重点关注解释方法的忠实度、本地化、假阳性、敏感度检查和稳定性。实验结果表明，在当前所有方法中，梯度加权类激活映射（Grad-CAM）和随机输入抽样解释（RISE）在大多数指标上表现良好。另外，本文还提出了一种筛选指标的方法，以诊断模型分类基础，并探讨了当前指标所忽略的测量因素。

Dec, 2020

基于实验数据的竞技北欧行走无监督可解释活动预测

应用人工智能和机器学习技术，利用低成本的可穿戴式惯性测量单元进行在线聚类处理，以达到对运动员活动的自动解释性预测，区分正确、错误和作弊的识别，且取得近 100％的平均性能指标。

Jun, 2024

基于骨架姿势序列的传感器数据增强技术提升人体活动识别

为了改进基于可穿戴传感器的人体活动识别，本文提出了一种从 3D 骨架姿势序列中直接生成传感器数据的姿势到传感器网络模型，并同时训练姿势到传感器网络和人体活动分类器，通过优化数据重构和活动识别来改进性能。实验结果表明该框架优于基线方法，并在 MM-Fit 数据集上取得了显著的性能提升。

Apr, 2024

使用机器学习技术从膝角度识别人类活动

该论文研究了使用已公开发布的运动数据集来训练机器学习算法，以分类人类活动，并通过 Gradient Boosting 算法在 11 次交叉验证中展现了高达 0.94 的 ROC 曲线下区域 (AUC) 性能，显示出该方法的有效性和潜在用途。

Jun, 2022

关于生成式基础模型对人类活动识别的好处

通过生成式人工智能从文本描述中自动生成虚拟 IMU 数据，人类活动识别（HAR）领域能够解决有限标注数据的问题。此外，还探讨了生成式人工智能在生成基准数据集、特定于 HAR 的模型开发、HAR 中的层次结构探索、复杂活动分解以及健康感知和活动总结等领域有着前景的研究方向。

Oct, 2023

基于惯性的人体活动识别的时间动作定位

该论文首次系统地展示了最新的 TAL 模型在使用原始惯性数据作为输入进行可穿戴式人体活动识别（HAR）方面的适用性，并利用 4 个可穿戴活动识别基准数据集证明这些模型在 F1 分数上的提高幅度可达 25%。通过引入 TAL 社区的最流行度量标准 —— 均值平均精度，论文分析表明 TAL 模型能够产生更连贯的片段，并在所有数据集上具有更高的 NULL 类别准确率。作为首次提供这样的分析，TAL 社区为惯性式 HAR 提供了一个有待探索的设计选择和训练概念的有趣新视角，对惯性式 HAR 社区具有重要价值。

Nov, 2023

人体活动识别中的数据集偏差

本文旨在评估人类身体特征对多通道时间序列 HAR 数据的影响，并试图量化表示偏差，以提供公正和可信的人工智能。

Jan, 2023

文本生成动作的最佳自动评估指标是什么？

人们对从自然语言描述中生成基于骨架的人类动作越来越感兴趣。本文系统地研究了哪些度量标准与人类评价最为相关，并提出了新的度量标准，这些度量标准与人类判断之间的相关性更好。通过对样本水平的人类评价，发现目前用于此任务的度量标准中没有一个与人类判断呈现中度甚至更高的相关性。然而，用于评估模型平均性能的常用度量标准（例如 R-Precision）和较少使用的坐标误差表现出了较强的相关性。此外，与其他替代方法相比，不推荐使用一些最近开发的度量标准，因为它们与人类判断的相关性较低。我们还引入了一种基于多模态 BERT 模型 MoBERT 的新度量标准，该度量标准在样本级别上与人类判断高度相关，并且在模型级别上具有近乎完美的相关性。我们的结果表明，这种新度量标准比当前所有替代方案都有广泛的优势。

Sep, 2023

解析 AI 归因方法的精确基准测试

我们提出了一种新的评估方法，用于基准测试最先进的可解释 AI 归因方法，该方法由合成的分类模型及其衍生的地面实况解释组成，该方法提供了关于 XAI 方法输出的更深入的洞察。

Aug, 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