基于可穿戴传感器的零样本姿态分类中属性重要性的研究
计算机视觉与模式识别
2018-08-07 v1 人工智能
机器学习
摘要
本文提出了一种简单而有效的提升零样本学习（ZSL）性能的方法。ZSL利用类的属性对未见类的实例进行分类，这些类没有可用的训练数据。传统的ZSL方法对所有可用属性一视同仁，但这有时会导致误分类。这是因为对某一类实例分类有效的属性对另一类并不总是有效。在这种情况下，后一类分类的度量会不期望地受到不相关属性的影响。本文通过在计算度量时考虑每个类中各属性的重要性来解决此问题。除提出这一新方法外，本文还贡献了一个基于可穿戴传感器的姿态分类数据集，名为HDPoseDS。它包含10名受试者使用全身31个IMU传感器执行的22类姿态。据我们所知，它是最丰富的可穿戴传感器数据集，尤其在传感器密度方面，因此适用于研究零样本姿态/动作识别。所提方法在HDPoseDS上进行了评估，相对于最佳基线方法取得了5.9%的相对提升。
引用
@article{arxiv.1808.01358,
title = {Attributes' Importance for Zero-Shot Pose-Classification Based on Wearable Sensors},
author = {Hiroki Ohashi and Mohammad Al-Naser and Sheraz Ahmed and Katsuyuki Nakamura and Takuto Sato and Andreas Dengel},
journal= {arXiv preprint arXiv:1808.01358},
year = {2018}
}
备注
The paper was published at Sensors, an open access journal (http://www.mdpi.com/1424-8220/18/8/2485). This article belongs to the Special Issue Artificial Intelligence and Machine Learning in Sensors Networks