DFTerNet:面向精确人类活动识别的 2-bit 动态融合网络
机器学习
2018-12-05 v2 人工智能
计算机视觉与模式识别
人机交互
机器学习
摘要
深度卷积神经网络(DCNNs)目前在人类活动识别应用中颇受欢迎。然而,面对现代基于人工智能传感器的游戏,许多研究成果无法在便携设备上实际应用。DCNNs 通常资源密集且过于庞大,难以部署在便携设备上,从而限制了复杂活动检测的实际应用。此外,由于便携设备不具备高性能图形处理单元(GPUs),动作游戏(ACT)体验几乎没有任何改善。而且,为处理多传感器协作,以往所有人类活动识别模型通常平等对待来自不同传感器信号源的表示。然而,不同类型的活动应采用不同的融合策略。本文提出了一种新方案。该方案用于训练权值和激活约束于 {-0.5,0,0.5} 的 2-bit 卷积神经网络。它考虑了不同传感器信号源与活动类型之间的相关性。我们将该模型称为 DFTerNet,旨在为实际应用提供更可靠的推理和更好的权衡。我们的基本思想是在预训练滤波器组中直接利用权值与激活的量化,并针对不同类型活动采用动态融合策略。实验表明,在使用动态融合策略时,在 OPPORTUNITY 和 PAMAP2 等数据集的活动识别上可超越基线模型性能达约 5%。使用所提出的量化方法,我们能够实现接近全精度对应模型的性能。这些结果也在 UniMiB-SHAR 数据集上得到验证。此外,所提方法在 CPU 上可实现约 9 倍加速和约 11 倍内存节省。
引用
@article{arxiv.1808.04228,
title = {DFTerNet: Towards 2-bit Dynamic Fusion Networks for Accurate Human Activity Recognition},
author = {Zhan Yang and Osolo Ian Raymond and ChengYuan Zhang and Ying Wan and Jun Long},
journal= {arXiv preprint arXiv:1808.04228},
year = {2018}
}
备注
19 pages, 5 figures, 6 tables, accepted by IEEE Access