基于双阶段特征融合的多层神经网络用于人类活动识别
计算机视觉与模式识别
2026-04-21 v1 人工智能
摘要
人类活动识别（HAR）指的是使用传感器收集的数据来识别人类动作和活动的过程。卷积神经网络（CNN）、长短期记忆（LSTM）网络、卷积LSTM以及它们的混合组合网络在 various 研究领域中展现出卓越的性能。开发用于HAR的多层单一或混合模型涉及战略性地整合多个网络，以利用其互补的优势。这些组件的结构安排是影响整体性能的关键因素。本研究探索了一种 novel 框架，即两种层次的网络架构与双阶段特征融合：后期融合（combining the outputs from the first network level）和中间融合（integrates the features from both the first and second levels）。我们评估了 15 种不同的网络架构（包括 CNN、LSTM 和卷积LSTM），并在包含后期融合和/或不包含中间融合的情况下进行测试，以识别最佳配置。在两个公共基准数据集上的实验评估表明，包含后期和中间融合的网络架构的准确率高于仅依赖后期融合的网络架构。此外，最佳配置超过基线模型，从而验证了其对HAR的有效性。
引用
@article{arxiv.2604.16577,
title = {Multilevel neural networks with dual-stage feature fusion for human activity recognition},
author = {Abeer FathAllah Brery and Ascensión Gallardo-Antolín and Israel Gonzalez-Carrasco and Mahmoud Fakhry},
journal= {arXiv preprint arXiv:2604.16577},
year = {2026}
}