通过自适应特征融合实现活动识别的域泛化
计算机视觉与模式识别
2022-07-25 v1 人工智能
机器学习
摘要
人类活动识别需要利用训练数据集构建可泛化模型，以期在测试数据集中取得良好性能。然而在真实应用中，由于体型、动作风格与习惯等不同原因，训练与测试数据集可能具有完全不同的分布，损害模型的泛化性能。尽管现有域适应方法可减小此种分布差距，它们通常假设测试数据在训练阶段可获取，这并不现实。本文中，我们考虑一个更实际且更具挑战性的场景：域泛化活动识别（DGAR），其中测试数据集在训练期间不可被访问。为此，我们提出自适应特征融合活动识别（AFFAR），一种域泛化方法，学习融合域不变与域特定表示以提升模型泛化性能。AFFAR 取两者之长：域不变表示增强跨域可迁移性，域特定表示利用各域的模型判别力。在三个公开 HAR 数据集上的大量实验显示了其有效性。此外，我们将 AFFAR 应用于真实应用，即儿童注意缺陷多动障碍（ADHD）的诊断，同样展示了我们方法的优越性。
引用
@article{arxiv.2207.11221,
title = {Domain Generalization for Activity Recognition via Adaptive Feature Fusion},
author = {Xin Qin and Jindong Wang and Yiqiang Chen and Wang Lu and Xinlong Jiang},
journal= {arXiv preprint arXiv:2207.11221},
year = {2022}
}
备注
Accepted by ACM Transactions on Intelligent Systems and Technology (TIST) 2022; Code: https://github.com/jindongwang/transferlearning/tree/master/code/DeepDG