使用可穿戴传感器进行人体活动识别的采用更小滤波器的逐层训练卷积神经网络
计算机视觉与模式识别
2021-08-06 v3
摘要
最近，卷积神经网络（CNN）在各种人体活动识别（HAR）数据集上取得了最新的 SOTA。然而，深度 CNN 通常需要更多的计算资源，这限制了它们在嵌入式 HAR 中的应用。尽管已经提出了许多成功的方法来减少 CNN 的内存和 FLOPs，但它们通常涉及为视觉任务设计的特殊网络架构，由于存在显著差异，这些架构并不适用于具有时间序列传感器信号的深度 HAR 任务。因此，有必要开发轻量级深度模型来执行 HAR。由于滤波器是构建 CNN 的基本单元，重新设计更小的滤波器是否适用于深度 HAR 值得进一步研究。受此想法启发，本文提出了一种使用 Lego 滤波器的轻量级 CNN 用于 HAR。一组低维滤波器被用作 Lego 积木来堆叠成常规滤波器，这不依赖于任何特殊的网络结构。局部损失函数被用于训练模型。据我们所知，这是第一篇在泛在计算和可穿戴计算领域提出用于 HAR 的轻量级 CNN 的论文。在五个公共 HAR 数据集（即来自智能手机或多个传感器节点的 UCI-HAR 数据集、OPPORTUNITY 数据集、UNIMIB-SHAR 数据集、PAMAP2 数据集和 WISDM 数据集）上的实验结果表明，我们带有局部损失的新型 Lego CNN 在实现更高准确率的同时，能够比 CNN 大幅减少内存和计算成本。也就是说，所提出的模型更小、更快且更准确。最后，我们在 Android 智能手机上评估了实际性能。
引用
@article{arxiv.2005.03948,
title = {Layer-wise training convolutional neural networks with smaller filters for human activity recognition using wearable sensors},
author = {Yin Tang and Qi Teng and Lei Zhang and Fuhong Min and Jun He},
journal= {arXiv preprint arXiv:2005.03948},
year = {2021}
}
备注
11 pages, 11 figures