基于分层迁移学习的跨位置活动识别
计算机视觉与模式识别
2018-11-15 v2
摘要
人体活动识别旨在利用身体不同部位的传感器来识别日常活动。然而，当某一身体位置（即目标域）的标注数据缺失时，如何利用其他位置（即源域）的数据来帮助学习该位置的活动标签？当存在多个可用源域时，往往难以选择与目标域最相似的源域。在选定源域后，我们需要在域间进行准确的知识迁移。现有方法仅学习域间的全局距离，而忽略了局部特性。本文提出一种分层迁移学习（Stratified Transfer Learning, STL）框架，以同时完成源域选择与知识迁移。STL基于我们提出的分层距离来捕捉域的局部特性。STL包含两个组件：分层域选择（STL-SDS）能够选出与目标域最相似的源域；分层活动迁移（STL-SAT）能够进行准确的知识迁移。在三个公开活动识别数据集上的大量实验证明了STL的优越性。此外，我们广泛研究了不同域间相似度程度与活动层级下迁移学习的性能。我们还讨论了STL在普适计算其他领域未来研究中的潜在应用。
引用
@article{arxiv.1806.09776,
title = {Cross-position Activity Recognition with Stratified Transfer Learning},
author = {Yiqiang Chen and Jindong Wang and Meiyu Huang and Han Yu},
journal= {arXiv preprint arXiv:1806.09776},
year = {2018}
}
备注
Submit to Pervasive and Mobile Computing as an extension to PerCom 18 paper; First revision. arXiv admin note: substantial text overlap with arXiv:1801.00820