基于多样且可判别表示学习的可泛化低资源人类活动识别
计算机视觉与模式识别
2023-06-12 v2 人工智能
机器学习
摘要
人类活动识别（HAR）是一项时间序列分类任务，侧重于从人体传感器读数中识别运动模式。充足的数据至关重要，但却是训练可泛化 HAR 模型的主要瓶颈，而此类模型有助于在线网络应用的定制与优化。然而，现实中收集大规模标注数据在时间与经济上成本高昂，即低资源挑战。同时，由于生活习惯、体型、年龄组等差异，不同人采集的数据存在分布偏移。当将训练好的模型应用于新的未见受试者时，低资源与分布偏移挑战对 HAR 有害。本文提出一种称为多样且可判别表示学习（DDLearn）的新方法，用于可泛化的低资源 HAR。DDLearn 同时考虑多样性与判别性学习。通过构建的自监督学习任务，DDLearn 扩大数据多样性并探索潜在活动属性。随后，我们提出多样性保持模块，通过扩大原始域与增强域之间的分布散度来保持所学特征的多样性。同时，DDLearn 还通过有监督对比学习判别性表示来增强语义判别性。在三个公开 HAR 数据集上的大量实验表明，在低资源分布偏移场景下，我们的方法以平均准确率提升 9.5% 显著优于当前最优方法，且是一个通用、可解释、灵活的框架。代码见：https://github.com/microsoft/robustlearn。
引用
@article{arxiv.2306.04641,
title = {Generalizable Low-Resource Activity Recognition with Diverse and Discriminative Representation Learning},
author = {Xin Qin and Jindong Wang and Shuo Ma and Wang Lu and Yongchun Zhu and Xing Xie and Yiqiang Chen},
journal= {arXiv preprint arXiv:2306.04641},
year = {2023}
}
备注
Accepted by SIGKDD 2023 Research track; 12 pages; Code is available at: https://github.com/microsoft/robustlearn