面向人体活动识别中对比学习的基于聚类的负样本选择
计算机视觉与模式识别
2022-03-24 v1 人工智能
人机交互
摘要
对比学习已应用于基于传感器数据的人体活动识别 (HAR)，因其能够利用大量无标签数据与少量有标签数据取得与监督学习相当的性能。对比学习的预训练任务一般为实例判别，其规定每个实例属于单一类别，但这会将同类样本视为负例。此类预训练任务不利于主要以分类任务为主的人体活动识别任务。为解决该问题，我们遵循 SimCLR 提出一种新的对比学习框架，即在 HAR 中通过聚类进行负样本选择，称为 ClusterCLHAR。与 SimCLR 相比，它利用无监督聚类方法生成软标签以掩盖同一聚类的其他样本，从而避免将其视为负样本，重新定义了对比损失函数中的负样本对。我们在三个基准数据集 USC-HAD、MotionSense 与 UCI-HAR 上以平均 F1 分数作为评价指标对 ClusterCLHAR 进行评估。实验结果表明，它在自监督学习与半监督学习中均优于所有应用于 HAR 的当前最优 (SOTA) 方法。
引用
@article{arxiv.2203.12230,
title = {Negative Selection by Clustering for Contrastive Learning in Human Activity Recognition},
author = {Jinqiang Wang and Tao Zhu and Liming Chen and Huansheng Ning and Yaping Wan},
journal= {arXiv preprint arXiv:2203.12230},
year = {2022}
}
备注
11 pages, 5 figures