结合短期空间/频率特征提取与长期IndRNN的活动识别框架
计算机视觉与模式识别
2020-11-09 v2
摘要
随着智能手机的普及，基于智能手机传感器的人体活动识别正受到越来越多的关注。由于智能手机传感器采样率高，这是一个高度长程时间识别问题，尤其存在较大的类内距离（如智能手机携带在不同位置，如包内或身上）和较小的类间距离（如乘坐火车或地铁）。为解决该问题，我们提出了一种结合短期空间/频率特征提取与长期独立循环神经网络（IndRNN）的活动识别新框架。考虑到传感器数据的周期特性，首先在空间和频域提取短期时间特征。然后使用能够捕捉长期模式的IndRNN进一步获取长期特征用于分类。鉴于智能手机携带在不同位置时差异较大，首先提出一种基于分组的定位识别来精确确定智能手机的位置。评估使用了SHL挑战赛的Sussex-Huawei Locomotion（SHL）数据集。所提方法的一个早期版本在SHL挑战赛2020中获得二等奖（若不考虑多模型融合方法则为第一名）。本文进一步改进了所提方法，取得了80.72%的准确率，优于现有使用单一模型的方法。
引用
@article{arxiv.2011.00395,
title = {A Framework of Combining Short-Term Spatial/Frequency Feature Extraction and Long-Term IndRNN for Activity Recognition},
author = {Beidi Zhao and Shuai Li and Yanbo Gao and Chuankun Li and Wanqing Li},
journal= {arXiv preprint arXiv:2011.00395},
year = {2020}
}
备注
19 pages, 11 figures