GenHAR：面向最后一公里配送的跨域人类活动识别通用框架
计算机视觉与模式识别
2026-05-22 v1
摘要
人类活动识别（HAR）在智能医疗和智能制造等诸多应用中展现出显著的有效性。然而，HAR面临的一个主要挑战在于不同传感器数据域之间的分布迁移，这常常导致在实际应用中性能下降。为此，本文提出了GenHAR——一个旨在通过学习域无关传感器表征来弥合域间差距的新型框架。GenHAR旨在仅凭源域数据即可提升HAR在目标域的泛化能力。GenHAR的核心创新点体现在两个方面：其一，GenHAR对传感器数据进行分词，并学习频率传感器通道维度之间的关联性，以提升HAR模型的鲁棒性；其二，GenHAR通过选择性遮蔽和高效注意力机制提升了效率。我们通过在真实人类活动数据集上与最先进的HAR方法进行系统比较，系统分析了GenHAR。结果表明，GenHAR在准确率上比最先进的方法高出9.97%，浮点运算量减少6.4倍。此外，我们将GenHAR部署于4个城市的某物流公司，检测了215亿条实时活动。我们将代码发布于：https://github.com/Sensor-FoundationModel/GenHAR。
引用
@article{arxiv.2605.22086,
title = {GenHAR: Generalizing Cross-domain Human Activity Recognition for Last-mile Delivery},
author = {Zhiqing Hong and Zelong Li and Xiubin Fan and Guang Yang and Baoshen Guo and Haotian Wang and Tian He and Desheng Zhang},
journal= {arXiv preprint arXiv:2605.22086},
year = {2026}
}