用于人类活动识别的对比预测编码
机器学习
2020-12-11 v1
摘要
在使用穿戴式运动传感器进行人类活动识别（HAR）时，特征提取至关重要。近来，学习得到的表示已成功应用，为手工设计特征提供了有前景的替代方案。我们的工作聚焦于少量标注数据的有效利用，以及在移动与普适计算场景中易于收集的无标注数据的机会性利用。我们假设并证明，在表示层面显式考虑传感器数据的时间性对于在挑战性场景下的有效 HAR 起着重要作用。我们将对比预测编码（CPC）框架引入人类活动识别，其捕捉传感器数据流的长程时间结构。通过对真实生活识别任务的一系列实验评估，我们证明了其在改进 HAR 上的有效性。基于 CPC 的预训练是自监督的，所得学习表示可集成到标准活动链中。在仅有少量标注训练数据时，它带来了显著改进的认知性能，从而展示了我们方法的实用价值。
引用
@article{arxiv.2012.05333,
title = {Contrastive Predictive Coding for Human Activity Recognition},
author = {Harish Haresamudram and Irfan Essa and Thomas Ploetz},
journal= {arXiv preprint arXiv:2012.05333},
year = {2020}
}