Apr, 2024

元分解：物联网活动识别中的动态分割方法选择

PDF
TL;DR通过重新定义分割问题为分解问题特例，引入元分解方法以减少分割偏差，并通过外部学习问题优化分割超参数来动态选择合适的分割方法，从而提高系统性能。
internet of thingssegmentationbiasesdecompositionmeta-decomposition
发现论文，激发创造
  • 全景分割预测

    通过场景分解，从背景和前景分别预测背景的运动和物体的运动，我们提出了全景分割预测，可以在已有模型的基础上实现背景与物体的双重预测，比现有的基线模型性能更好。

    Apr, 2021

  • 自动特征学习的时间序列分割

    本研究提出了一种新的基于深度学习的无监督方法，用于从 IoT 数据中映射出可解释的状态和转换。经过大量实验表明，该方法优于现有技术，并学习更微妙的断点边界。

    Jan, 2018

  • 基于隐藏过程回归的多变量时间序列联合分割用于人体活动识别

    通过对三维空间内由佩戴式加速度计测量的加速度数据的多维时间序列进行分割，本文分析了活动识别的问题，并提出了一种特定的统计潜在过程模型进行自动时段分割，该模型通过隐藏的离散逻辑过程来控制随时间而变换的多个活动。最终结果表明，本文提出的方法在完全无监督的情况下运作，并且不需要特征提取预处理步骤，其性能非常有竞争力。

    Dec, 2013

  • 多通道时序分解网络用于可泛化的基于传感器的活动识别

    这篇论文介绍了一种基于传感器的人体活动识别方法，通过多通道时间序列分解网络（MTSDNet）进行信号分解，学习原始信号的低秩表示，提高模型的域外泛化能力，并通过层注意机制聚合分解得到的组件，来实现最终的分类结果。通过对多个公共数据集的广泛评估，证明了该方法在预测准确性和稳定性方面的优势，具有解释性和分层特性。

    Mar, 2024

  • DeepSegmenter：用于检测未剪辑自然驾驶视频中异常的时间段定位

    本文提出了一种新的方法学框架 ——DeepSegmenter，该框架同时在单个框架中执行活动分割和分类，以识别驾驶员的异常驾驶行为，并在 2023 年 AI 城市挑战赛的实验验证数据中取得了 0.5426 的活动重叠得分，证明了该系统的有效性、高效性和稳健性。

    Apr, 2023

  • 从视频中无监督学习和分割复杂活动

    本文介绍了一种新的无监督视频分割方法，采用迭代鉴别生成方法，通过学习视频视觉特征并建模时序结构，将复杂活动划分为多个子活动，并引入背景模型，验证结果优于现有无监督及弱监督方法。

    Mar, 2018

  • 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

  • 基于属性分解聚合的开放词汇语义分割

    本文提出了一种新颖的分解 - 聚合框架，通过属性描述的多样性丰富语义上下文，使用大型语言模型构建常见类别的属性，并通过手动标注设计人工发明类别的属性，将多样属性聚合为一个集成全局描述的判别分类器，进而通过图像和文本之间的层次聚合和深度融合来实现多级对齐，最终通过计算聚合属性和图像之间的嵌入相似度来得到最终结果，实验证明属性分解 - 聚合具有卓越的性能。

    Aug, 2023

  • 通过人工智能，让基于分解的优化摒弃人类干涉：第二部分。学习初始化

    通过机器学习方法学习大规模优化问题的分解式解决方法，从而在计算时间上实现最优初始化，进而用于解决混合整数模型预测控制问题，结果表明该方法能显著减少解决时间并减少所需数据。

    Oct, 2023

  • 监督图像分割的两种方法

    通过深度学习和基于多集合的方法对图像进行分割，深度学习方法展示了其优势，并且多集合方法在要求较少计算资源的情况下也能获得令人鼓舞的精确度。

    Jul, 2023