基于类别概念不变学习的可泛化传感器活动识别
计算机视觉与模式识别
2024-12-19 v1 人工智能
摘要
人类活动识别（HAR）旨在通过在海量传感器数据上训练模型来识别活动。在实际部署中，HAR的一个被广泛忽视的关键方面是，由于受试者间的变异性（包括年龄、性别、行为习惯等），测试集可能与训练集具有不同的分布，导致泛化性能差。一个有前景的解决方案是学习域不变表示，使模型能够在未见分布上泛化。然而，大多数现有方法仅考虑域不变学习的倒数第二层特征不变性，导致次优结果。本文提出了一种类别概念不变学习（CCIL）框架用于可泛化活动识别，该框架引入概念矩阵，通过同时关注特征不变性和logit不变性来在训练阶段正则化模型。我们的关键思想是，属于同一活动类别的样本的概念矩阵应该相似。在四个公开HAR基准上的大量实验表明，我们的CCIL在跨人、跨数据集、跨位置和一人到另一人的设置下显著优于最先进的方法。
引用
@article{arxiv.2412.13594,
title = {Generalizable Sensor-Based Activity Recognition via Categorical Concept Invariant Learning},
author = {Di Xiong and Shuoyuan Wang and Lei Zhang and Wenbo Huang and Chaolei Han},
journal= {arXiv preprint arXiv:2412.13594},
year = {2024}
}
备注
Accepted by AAAI 2025