基准测试人类活动识别中的经典、深度与生成模型
计算机视觉与模式识别
2025-01-16 v1 人工智能
摘要
人类活动识别 (HAR) 由于传感器装配设备的日益增长以及大数据集的使用而获得了重要关注。本文评估了三类模型的性能：经典机器学习、深度学习架构和受限玻尔兹曼机 (RBM)，并使用五个关键基准数据集进行评估，这些数据集包括 UCI-HAR、OPPORTUNITY、PAMAP2、WISDM 和 Berkeley MHAD。我们评估了 various models，包括决策树、随机森林、卷积神经网络 (CNN) 和深度置信网络 (DBN)，并使用准确率、精确率、召回率和 F1-score 等指标进行全面比较。结果表明，CNN 模型在所有数据集上表现优异，尤其是在 Berkeley MHAD 上。经典模型如随机森林在较小的数据集上表现良好，但在较大、更复杂的数据上面临挑战。RBM 基于的模型也展现出相当大的潜力，特别是用于特征学习。这篇论文提供了详细的比较，帮助研究人员为 HAR 任务选择最合适的模型。
引用
@article{arxiv.2501.08471,
title = {Benchmarking Classical, Deep, and Generative Models for Human Activity Recognition},
author = {Md Meem Hossain and The Anh Han and Safina Showkat Ara and Zia Ush Shamszaman},
journal= {arXiv preprint arXiv:2501.08471},
year = {2025}
}
备注
48 pages, 21 Figures