通过条件生成对抗网络提升基于传感器的动物行为分类性能
信号处理
2022-09-09 v1 人工智能
摘要
许多活动分类将数据分割为固定窗口大小以进行特征提取和分类。然而，动物行为的持续时间各异，与预定窗口大小并不匹配。密集标注与密集预测方法通过对每个点预测标签来解决这一局限。因此，通过追踪起始和结束点，我们可以获知所有发生活动的时间位置与持续时间。尽管如此，密集预测可能存在噪声及错位问题。我们改进了 U-Net 与条件生成对抗网络 (cGAN)，采用定制损失函数作为训练策略，以减少碎片化及其他错位。在 cGAN 中，判别器与生成器彼此对抗训练，如同对抗性竞争。生成器产生密集预测。判别器充当高层一致性检验，在我们的情形中，推动生成器预测具有合理持续时间的活动。该模型在牛、猪以及 UCI HAPT 数据集上展现出优于或可比的性能。与先前的密集预测工作相比，cGAN 训练的改进 U-Net 在 UCI HAPT 数据集上从 92.17% 提升至 94.66%，在猪数据上从 90.85% 提升至 93.18%。
引用
@article{arxiv.2209.03758,
title = {Improved Sensor-Based Animal Behavior Classification Performance through Conditional Generative Adversarial Network},
author = {Zhuqing Zhao and Dong Ha and Abhishek Damle and Barbara Roqueto Dos and Robin White and Sook Ha},
journal= {arXiv preprint arXiv:2209.03758},
year = {2022}
}