一种基于传感器的多任务深度学习人体活动识别与分割方法
计算机视觉与模式识别
2023-03-21 v1
摘要
基于传感器的人体活动分割与识别是许多现实应用中的重要且具挑战性的问题，近年来引起了深度学习界的日益关注。现有大多数深度学习工作基于预分割的传感器流设计，并将活动分割与识别视为两个独立任务。在实践中，执行数据流分割非常困难。我们认为活动分割与识别均可传达独特信息，能够相互补充以提升两项任务的性能。本文首先提出一种新的多任务深度神经网络来同时解决这两个任务。所提出的神经网络采用选择性卷积并具有多尺度窗口以分割长或短持续时间的活动。首先，生成不同尺度的多个窗口以特征序列的每个单元为中心。然后，模型被训练为每个窗口预测活动类别及到真实活动边界的偏移量。最后，通过非极大值抑制滤除重叠窗口，并将同一活动的相邻窗口拼接以完成分割任务。在八个流行基准数据集上进行了大量实验，结果表明我们所提方法在活动识别与分割上均优于最先进的方法。
引用
@article{arxiv.2303.11100,
title = {A Multi-Task Deep Learning Approach for Sensor-based Human Activity Recognition and Segmentation},
author = {Furong Duan and Tao Zhu and Jinqiang Wang and Liming Chen and Huansheng Ning and Yaping Wan},
journal= {arXiv preprint arXiv:2303.11100},
year = {2023}
}
备注
14 pages, 14 figures