基于传感器的人类活动识别中的高效在线持续学习
计算机视觉与模式识别
2025-11-11 v1 人工智能
摘要
用于基于传感器的人类活动识别（HAR）的机器学习模型需要具备部署后自适应能力，以识别新活动以及执行现有活动的新方式。为满足这一需求，已提出在线持续学习（OCL）机制，使模型能够在保留先前获取信息的同时，随着新数据的可用而增量更新其知识。然而，现有的用于基于传感器的 HAR 的 OCL 方法计算量大，且需要大量标注样本来表示新变化。最近，基于预训练模型（PTM-based）的 OCL 方法在计算机视觉应用中展现出了显著的性能和效率提升。这些方法通过在大数据集上预训练复杂模型，随后在下游任务上进行微调以实现持续学习，从而获得强大的泛化能力。然而，由于 HAR 数据集固有的异构性以及部署后场景中标注数据的稀缺性，将基于 PTM 的 OCL 方法应用于基于传感器的 HAR 面临重大挑战。本文介绍了 PTRN-HAR，这是基于 PTM 的 OCL 在基于传感器的 HAR 上的首次成功应用。与先前基于 PTM 的 OCL 方法不同，PTRN-HAR 使用对比损失和有限的数据量来预训练特征提取器。该提取器在流式阶段被冻结。此外，它用关系模块网络取代了传统的密集分类层。我们的设计不仅显著减少了模型训练所需的资源消耗并保持了高性能，而且通过减少有效持续学习所需的标注数据量提高了数据效率，这在三个公共数据集上的实验中得到了证明，表现优于现有技术。代码可在此处找到：https://anonymous.4open.science/r/PTRN-HAR-AF60/
关键词
引用
@article{arxiv.2511.05566,
title = {Efficient Online Continual Learning in Sensor-Based Human Activity Recognition},
author = {Yao Zhang and Souza Leite Clayton and Yu Xiao},
journal= {arXiv preprint arXiv:2511.05566},
year = {2025}
}
备注
13 pages