Mar, 2024

跨用户活动识别通过时间关系最优传输

PDF
TL;DR本文介绍了基于时间关系的最优运输（TROT）方法，利用时间关系来放松独立同分布的假设，实现准确、高效的跨用户活动识别领域自适应，并通过隐藏马尔可夫模型（HMM）和最优运输（OT）技术对活动进行时间关系对齐。综合实验表明，TROT 在三个公共活动识别数据集上优于其他先进方法。
human activity recognitioncross-user hardomain adaptationtemporal relationoptimal transport
发现论文，激发创造
  • 基于子结构最优传输的跨域活动识别

    本篇论文提出了一种基于子结构匹配的领域自适应（SSDA) 方法，以更好地利用活动数据的局部信息进行精确和高效的知识转移，通过实验验证，在四个公共活动识别数据集上，相对于其他最先进的方法，SSDA 显著提高了 9% + 的分类精度，并且与使用相同超参数的传统基于超参数的 DA 方法相比，其速度提高了 5 倍。

    Jan, 2021

  • 基于深度域自适应和时间关系信息的跨用户活动识别

    基于深度时间状态领域自适应（DTSDA）模型，本研究旨在解决跨用户人类活动识别（cross-user HAR）中的行为变异性问题，通过利用活动中的不同子活动之间的时间关系，DTSDA 模型能够在不同用户之间建立起用户不变的时间关系，从而在跨用户 HAR 应用中展现出卓越的性能。

    Mar, 2024

  • 基于时间注意力的深度生成领域适应，用于跨用户活动识别

    我们的研究提出了一种新颖的 Deep Generative Domain Adaptation with Temporal Attention (DGDATA) 方法，通过在领域适应过程中识别和整合时序数据中嵌入的时间关系，我们的方法改进了跨用户人体活动识别的分类性能。我们在三个面向不同场景和应用的公共基于传感器的人体活动识别数据集上进行了全面评估，以证明所提出的 DGDATA 方法的有效性。

    Mar, 2024

  • 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

  • 基于时间戳监督的可穿戴设备活动分段和识别：对比学习和保序最优传输

    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

  • 自然时间序列移动活动识别下行为和时间变化的域自适应

    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

  • 基于时间关系知识的深度生成领域自适应，用于跨用户活动识别

    本研究提出了一种条件变分自编码器与通用序列映射的结合方法（CVAE-USM），用于解决人类活动识别中时间序列领域自适应的独特挑战，通过放松独立同分布假设并利用时间关系，有效地对不同用户的数据分布进行对齐，从而提高活动识别的准确性和泛化性。在两个公开的人类活动识别数据集（OPPT 和 PAMAP2）上进行的实验结果表明，CVAE-USM 优于现有的最先进方法，为跨用户活动识别提供了更准确且可推广的解决方案。

    Mar, 2024

  • 领域自适应的最优传输

    该研究提出了一种规范化的非监督最优运输模型，通过找到公共表示来在源域和目标域之间执行两个领域的对齐，从而在标记和未标记的数据中同时利用了源和目标领域中的信息，该模型在可视化自适应方面表现优异。

    Jul, 2015

  • 隐式贝叶斯自适应：一种协同传输方法

    通过将度量空间从欧氏距离度量更改为测地距离度量，将先前的最优传输模型扩展到内在表示的领域自适应问题，并通过引入簇先验结构构建了一个隐式贝叶斯模型来提高数据的鲁棒性。

    Apr, 2023

  • 目标偏移下的多源域自适应最优传输

    本文提出了一种基于最优传输的多源域自适应方法解决目标移位下的分类问题，实验结果表明相比现有技术在卫星图像分割任务上具有较好的性能。

    Mar, 2018