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

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

本文提出了一种基于自监督技术的特征学习方法，应用于无形标签的传感器数据。该方法可以应用于人类活动识别等领域，可以通过转化识别任务提供监督信号提取有价值的特征，并在智能手机环境下的无人监督、半监督和迁移学习的情况下实现了与完全监督网络相当甚至更好的性能。该技术可被广泛应用于其他领域。

Jul, 2019

本文介绍了一种基于深度卷积神经网络的感知网络（PerceptionNet），其应用于多模态时间序列传感器数据中的后期二维卷积，以自动提取用于人类动作识别的有效特征。我们通过在两个公共可用的 HAR 数据集上进行评估来展示我们的方法，表明所提出的模型有效地融合了多模态传感器，并通过超过 3％的平均准确度优于基于：（i）从人体中提取的特征，（ii）利用早期融合方法的深度卷积神经网络和（iii）长期短期记忆（LSTM）的最先进的 HAR 方法。

Nov, 2018

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

本文介绍了一种基于深度学习的多类窗口问题解决方案 —— 使用分割技术的人类活动识别方法，并引入多阶段时间卷积网络（MS-TCN）进行样本级别的活动预测，同时使用多级对比损失以提高方法的鲁棒性，并在两个公共 HAR 数据集上验证了该方法的有效性。

Aug, 2022

本文提出了一种基于知识蒸馏的多模态中融合方法，即 DMFT，以在多模态人类活动识别任务中进行信息特征提取和融合，解决深度学习方法无法充分探索跨多模态信息融合的问题，并通过评估表明该方法在有效性，可扩展性和鲁棒性方面均取得了有竞争力的表现。

May, 2023

多模态人体动作识别的综述研究，重点关注多模态数据融合设计方面的经典和新兴技术，分析了卷积神经网络和 Transformer 建模方法在该问题上的流行趋势和更高效的模型设计选择，并讨论了实践模型训练中的有前景的架构和融合设计选择，以及多模态数据集的规模和评估视角，提出了多模态人体动作识别的挑战与未来发展方向。

May, 2024

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

本文介绍了人体活动识别用于移动设备的轻量模型 HART，通过 IMUs 数据并使用 Transformer architecture 实现，相比于传统模型在减少资源消耗的同时具有更好的识别效果。

Sep, 2022