面向人类活动识别的类别等价构架学习
计算机视觉与模式识别
2025-11-05 v2 人工智能
人机交互
机器学习
摘要
我们提出了 CatEquiv，这是一个用于从惯性传感器进行人类活动识别（HAR）的类别等价神经网络，系统性地编码了时间、幅度和结构对称性。我们引入了一个 symmetry category，联合表示循环时间偏移、正增益缩放以及传感器层级偏序，捕捉数据的范畴对称结构。CatEquiv 对范畴对称积实现等价性。在 UCI-HAR 数据集上进行的离线分布扰动实验中，CatEquiv 与循环填充 CNN 和普通 CNN 相比，实现了显著更高的鲁棒性。这些结果表明，通过强制范畴对称性可以在无需额外模型容量的情况下获得强大的不变性和泛化能力。
引用
@article{arxiv.2511.01139,
title = {Learning with Category-Equivariant Architectures for Human Activity Recognition},
author = {Yoshihiro Maruyama},
journal= {arXiv preprint arXiv:2511.01139},
year = {2025}
}