基于生成对抗网络的人体活动识别系统跨受试者迁移学习
机器学习
2020-11-12 v1 机器学习
摘要
近几十年来，智能系统尤其在智能家居和健康相关主题中的应用受到越来越多的关注。训练人体活动识别（HAR）模型——作为一个主要模块——需要相当数量的标注数据。尽管使用大型数据集进行训练，大多数现有模型在针对来自新用户的未见数据进行测试时会面临严重的性能下降。此外，由于与人类用户合作的限制和挑战，为每个新用户记录足够的数据是不可行的。迁移学习技术旨在将从源域（受试者）学到的知识迁移到目标域，以减少模型在目标域中的性能损失。本文提出了一种名为 SA-GAN（即 Subject Adaptor GAN，受试者适配器 GAN）的对抗知识迁移新方法，该方法利用生成对抗网络（Generative Adversarial Network）框架，在基于可穿戴传感器的人体活动识别领域执行跨受试者迁移学习。SA-GAN 在超过 66% 的实验中优于其他最先进（state-of-the-art）方法，并在剩余 25% 的实验中表现出第二好的性能。在某些情况下，它达到了通过对相同域数据进行监督训练所能获得准确率的 90%。
引用
@article{arxiv.1903.12489,
title = {Cross-Subject Transfer Learning in Human Activity Recognition Systems using Generative Adversarial Networks},
author = {Elnaz Soleimani and Ehsan Nazerfard},
journal= {arXiv preprint arXiv:1903.12489},
year = {2020}
}
备注
9 pages, 4 figures