利用全卷积网络从可穿戴设备中高效进行人类活动序列的密集标注
计算机视觉与模式识别
2017-02-22 v1 人机交互
摘要
在序列中识别人类活动是普适计算领域中一个具有挑战性的研究方向。大多数方法在连续样本上使用固定大小的滑动窗口来提取特征——无论是手工特征还是学习到的特征——并为窗口内的所有样本预测单一标签。这种方法产生两个关键问题：i) 一个窗口内的样本可能并不总是共享相同的标签。因此，对窗口内所有样本使用一个标签不可避免地会导致信息丢失；ii) 测试阶段受限于训练期间选择的窗口大小，而最佳窗口大小在实践中难以调整。我们提出了一种高效算法，能够使用全卷积网络预测任意长度人类活动序列中每个样本的标签，我们称之为密集标注。特别是，我们的方法克服了滑动窗口步骤带来的问题。此外，我们的算法自动学习特征和分类器。我们发布了一个基于住院患者可穿戴传感器的新型日常活动数据集。我们进行了大量实验，并证明我们提出的方法在三个具有挑战性的数据集：Opportunity、Hand Gesture 和我们的新数据集上的分类和标签错位指标方面优于现有技术。
引用
@article{arxiv.1702.06212,
title = {Efficient Dense Labeling of Human Activity Sequences from Wearables using Fully Convolutional Networks},
author = {Rui Yao and Guosheng Lin and Qinfeng Shi and Damith Ranasinghe},
journal= {arXiv preprint arXiv:1702.06212},
year = {2017}
}
备注
7 pages