基于子结构最优传输的跨域活动识别
信号处理
2021-09-17 v3 机器学习
摘要
收集足够标注数据用于人类活动识别(HAR)成本高且耗时。域适应是一种有前景的跨域活动识别方法。现有方法主要通过域级、类级或样本级分布匹配来适应跨域表示。然而，它们可能未能捕捉活动数据中的细粒度局部信息。域级与类级匹配过于粗糙，可能导致欠适应，而样本级匹配可能严重受噪声影响并最终导致过适应。本文提出用于域适应的子结构级匹配(SSDA)，以更好地利用活动数据的局部信息实现准确高效的知识迁移。基于 SSDA，我们提出一种基于最优传输的实现——子结构最优传输(SOT)，用于跨域 HAR。我们通过聚类方法获取活动的子结构，并寻求不同域间加权子结构的耦合。我们在四个公开活动识别数据集(即 UCI-DSADS、UCI-HAR、USC-HAD、PAMAP2)上进行了全面实验，表明 SOT 在分类准确率上显著优于其他最先进方法(提升 9% 以上)。此外，在相同超参数下，我们的方法比传统基于 OT 的 DA 方法快 5 倍。
引用
@article{arxiv.2102.03353,
title = {Cross-domain Activity Recognition via Substructural Optimal Transport},
author = {Wang Lu and Yiqiang Chen and Jindong Wang and Xin Qin},
journal= {arXiv preprint arXiv:2102.03353},
year = {2021}
}
备注
Accepted by Neurocomputing; 17 pages; Code: https://github.com/jindongwang/transferlearning/tree/master/code/traditional/sot