基于少样本学习的人体活动识别
机器学习
2019-03-26 v1 机器学习
摘要
少样本学习是一种通过从相关任务迁移知识，以极少量标注训练数据学习模型的技术。本文提出一种基于可穿戴传感器的人体活动识别的少样本学习方法，该技术旨在从低层传感器输入中寻求高层人体活动知识。由于获取人工生成活动数据的成本高昂且活动模式间普遍存在相似性，当仅有少量数据可用于模型训练时，从已有活动识别模型借用信息比收集更多数据从头训练新模型更为高效。所提出的少样本人体活动识别方法利用深度学习模型进行特征提取与分类，而知识迁移以模型参数迁移的方式执行。为缓解负迁移，我们提出一种度量跨域类别相关性的指标，使知识迁移中相关性更高的知识被赋予更大权重。大量实验中颇具前景的结果显示了所提方法的优势。
引用
@article{arxiv.1903.10416,
title = {Few-Shot Learning-Based Human Activity Recognition},
author = {Siwei Feng and Marco F. Duarte},
journal= {arXiv preprint arXiv:1903.10416},
year = {2019}
}