基于一致性的弱自监督学习用于可穿戴设备的人体活动识别
信号处理
2024-08-15 v1 人工智能
人机交互
机器学习
摘要
尽管智能手机和其他可穿戴设备中广泛可用的嵌入式传感器使得获取人类活动数据变得更加容易，但从基于传感器的数据中识别不同类型的人类活动仍然是泛在计算中一个困难的研究课题。其中一个原因是大多数收集到的数据未加标签。然而，许多当前的人体活动识别(HAR)系统基于监督方法，严重依赖数据标签。本文描述了一种弱自监督方法，包含两个阶段：(1)在第一阶段，模型通过将数据投影到嵌入空间中学习人类活动的本质，在该空间中相似活动被归为一组；(2)在第二阶段，模型通过少量样本学习方式利用数据的相似性信息进行微调。这使得下游分类或聚类任务能够从嵌入中受益。在三个基准数据集上的实验证明了该框架的有效性，并表明我们的方法可以帮助聚类算法在识别和分类底层人类活动方面达到与直接应用于相应完全标注数据集的纯监督技术相当的性能。
引用
@article{arxiv.2408.07282,
title = {Consistency Based Weakly Self-Supervised Learning for Human Activity Recognition with Wearables},
author = {Taoran Sheng and Manfred Huber},
journal= {arXiv preprint arXiv:2408.07282},
year = {2024}
}