面向基于传感器的人体活动识别的通用半监督对抗主体迁移
计算机视觉与模式识别
2020-12-08 v1 人工智能
机器学习
摘要
人体活动识别(HAR)模型,尤其是深度神经网络,其性能高度依赖于大量应有充分标注的训练数据的可用性。然而,在HAR领域中,数据采集与人工标注由于两个步骤都需要熟练的人力资源而成本高昂。因此,已有领域自适应技术被提出以从现有数据源中迁移知识。近来,对抗迁移学习方法在图像分类中展现出极具前景的结果,但在基于传感器的HAR问题上仍很有限,且易受样本不均衡分布的不利影响。本文提出一种新颖的通用且鲁棒的HAR半监督领域自适应方法,其利用对抗框架的优势来克服这些缺陷,通过仅利用源主体的标注样本和目标主体的未标注样本中的知识。我们在三个大、中、小规模且具不同不均衡程度的数据集上进行了广泛的主体迁移实验,以评估所提模型对数据规模及不均衡性的鲁棒性与有效性。结果表明,我们提出的算法优于SOTA方法,在Opportunity、LISSI和PAMAP2数据集上分别使高层活动识别指标提升达13%、4%和13%。LISSI数据集因其样本稀少且分布不均衡而最具挑战性。与SA-GAN对抗领域自适应方法相比,所提方法在三个数据集上平均提升最终分类性能7.5%,这凸显了微小批量训练的有效性。
引用
@article{arxiv.2012.03682,
title = {Generic Semi-Supervised Adversarial Subject Translation for Sensor-Based Human Activity Recognition},
author = {Elnaz Soleimani and Ghazaleh Khodabandelou and Abdelghani Chibani and Yacine Amirat},
journal= {arXiv preprint arXiv:2012.03682},
year = {2020}
}