用于跨域活动识别的深度迁移学习
图像与视频处理
2018-08-21 v2 机器学习
摘要
人体活动识别在人们的日常生活中起着重要作用。然而，获取足够的标注活动数据通常昂贵且耗时。为解决此问题，迁移学习利用源域的标注样本来标注目标域（其具有很少或没有标签）。遗憾的是，当存在多个可用源域时，难以为迁移选择合适的源域。正确的源域是指其与目标域具有最相似的特性，因此二者的相似度更高，从而能够促进迁移学习。选择正确的源域有助于算法表现良好并防止负迁移。本文提出一种有效的用于活动识别的无监督源选择算法（USSAR）。USSAR能够从可用域列表中选出最相似的个源域。此后，我们提出一种有效的迁移神经网络来执行活动识别的知识迁移（TNNAR）。TNNAR能够在迁移知识的同时捕捉活动间的时间与空间关系。在三个公开活动识别数据集上的实验表明：1）USSAR算法能有效地选择最佳源域。2）TNNAR方法在进行活动知识迁移时可达到高准确率。
引用
@article{arxiv.1807.07963,
title = {Deep Transfer Learning for Cross-domain Activity Recognition},
author = {Jindong Wang and Vincent W. Zheng and Yiqiang Chen and Meiyu Huang},
journal= {arXiv preprint arXiv:1807.07963},
year = {2018}
}
备注
ICCSE 2018 best paper; 8 pages