用于基于传感器的人体动作识别的多层特征学习
计算机视觉与模式识别
2017-09-05 v2
摘要
本文提出了一个使用单一可穿戴惯性传感器进行人体动作识别的多层特征学习框架。该框架由三个阶段组成，分别设计用于分析基于信号的（低层）、组件（中层）和语义（高层）信息。低层特征捕获时域和频域属性，而中层表示学习动作的构成。提出了 Max-margin Latent Pattern Learning (MLPL) 方法，以学习潜在动作模式的高层语义描述作为我们框架的输出。所提出的方法在 Skoda、WISDM 和 OPP 数据集上分别实现了 88.7%、98.8% 和 72.6%（加权 F1 分数）的 state-of-the-art 性能。
引用
@article{arxiv.1611.07143,
title = {Learning Multi-level Features For Sensor-based Human Action Recognition},
author = {Yan Xu and Zhengyang Shen and Xin Zhang and Yifan Gao and Shujian Deng and Yipei Wang and Yubo Fan and Eric I-Chao Chang},
journal= {arXiv preprint arXiv:1611.07143},
year = {2017}
}
备注
26 pages, 23 figures