具有卷积注意力的可解释并行循环神经网络及其在多模态活动建模中的应用
人机交互
2018-05-21 v1 人工智能
机器学习
摘要
多模态特征在基于可穿戴传感器的人体活动识别(HAR)中起着关键作用。自适应地选择最显著特征是利用多模态传感器数据有效性的一种有前景的方法。在这方面，我们提出“充分采集、明智选择”原则以及一种具有卷积注意力的可解释并行循环模型来提升识别性能。我们首先采集模态特征以及每对特征之间的关系以生成活动帧，然后引入注意力机制从活动帧中精确选择最突出的区域。所选帧不仅最大化有效特征的利用，还有效减少了需计算的特征数量。我们进一步基于大量实验分析了所提模型的准确性和可解释性。结果表明，我们的模型在两个基准数据集上取得了有竞争力的性能，并在真实场景中表现良好。
引用
@article{arxiv.1805.07233,
title = {Interpretable Parallel Recurrent Neural Networks with Convolutional Attentions for Multi-Modality Activity Modeling},
author = {Kaixuan Chen and Lina Yao and Xianzhi Wang and Dalin Zhang and Tao Gu and Zhiwen Yu and Zheng Yang},
journal= {arXiv preprint arXiv:1805.07233},
year = {2018}
}
备注
arXiv admin note: substantial text overlap with arXiv:1711.07661