CARE：基于对比对齐的事件触发传感器流中日常活动识别
计算机视觉与模式识别
2026-03-17 v3 人工智能
摘要
从事件触发的环境传感器识别日常活动 (ADL) 是环境协助生活领域的关键任务，但现有方法受限于表示层面的局限。序列方法保留了传感器激活的时序顺序，但对噪声敏感且缺乏空间感知；图像方法捕获全局模式和隐式空间相关性，但压缩了细粒度时序动态并扭曲了传感器布局。简单的融合（例如特征拼接）无法强制执行序列和图像表示视图之间的对齐，未充分利用它们的互补优势。我们提出基于对比对齐的 ADL 识别框架 CARE（Contrastive Alignment for ADL Recognition from Event-Triggered Sensor Streams），通过序列-图像对比对齐 (SICA) 和交叉熵分类联合优化表示学习，确保跨表示对齐和任务特定的可区分性。CARE 集成了（i）时间感知、抗噪声的序列编码与（ii）空间感知、频率敏感的图像表示，并采用（iii）联合对比-分类目标实现端到端学习的对齐且具辨识力的嵌入。在三个 CASAS 数据集上评估，CARE 实现了最先进的性能（米兰数据集 89.8%，开罗数据集 88.9%，京都数据集 73.3%），并对传感器故障和布局变异表现出鲁棒性，凸显了其在智能家庭中可靠 ADL 识别的潜力。我们在 https://github.com/Jhziiiig/CARE 上发布了代码。
引用
@article{arxiv.2510.16988,
title = {CARE: Contrastive Alignment for ADL Recognition from Event-Triggered Sensor Streams},
author = {Junhao Zhao and Zishuai Liu and Ruili Fang and Jin Lu and Linghan Zhang and Fei Dou},
journal= {arXiv preprint arXiv:2510.16988},
year = {2026}
}