基于 FastPose 的联邦动作识别：用于智能工人协助
计算机视觉与模式识别
2025-08-21 v1 人工智能
分布式、并行与集群计算
人机交互
摘要
在智能制造环境中，对工人动作的准确和实时识别对于提高生产力、加强安全以及实现人机协作至关重要。虽然基于骨架的人体活动识别 (HAR) 相对于光照、视角和背景变化具有较强鲁棒性，但大多数现有方法依赖集中式数据集，在隐私敏感的工业场景中难以实用。本文提出了一种基于 FastPose 的姿态基 HAV 联邦学习框架，使用定制的八个与工业相关的上肢手势骨架数据集进行训练，数据来自五名参与者。我们训练并评估了两种时序骨干网络——长短期记忆网络 (LSTM) 和变换器编码器，在四种范式下进行实验：集中式、本地（按客户端）、基于加权联邦平均 (FedAvg) 的联邦学习，以及联邦集成学习 (FedEnsemble)。在全局测试集上，联邦学习变换器相较于集中式训练提升了 12.4 个百分点，联邦集成学习实现了 16.3 个百分点的提升。在一个未见的外部客户端上，联邦学习和联邦集成学习分别超过集中式训练的准确率提升了 52.6 和 58.3 个百分点。这些结果表明，联邦学习不仅保护了隐私，而且显著提升了跨用户的泛化能力，为异构工业环境中可扩展的隐私感知 HAR 解决方案奠定了基础。
引用
@article{arxiv.2508.14113,
title = {Federated Action Recognition for Smart Worker Assistance Using FastPose},
author = {Vinit Hegiste and Vidit Goyal and Tatjana Legler and Martin Ruskowski},
journal= {arXiv preprint arXiv:2508.14113},
year = {2025}
}
备注
8 pages and submitted to FLTA2025 conference