关于人体活动识别中的注意力模型
计算机视觉与模式识别
2018-05-22 v1 人工智能
机器学习
摘要
大多数基于穿戴式传感的人体活动识别（HAR）时间序列建模方法使用固定大小的时间上下文来表示不同活动。然而，对于持续时间各自不同的活动集合，这可能并不合适。我们将注意力模型引入HAR研究，作为一种探索相关时间上下文的数据驱动方法。注意力模型学习输入数据上的一组权重，我们利用这些权重对用于建模每个传感器读数所考虑的时间上下文进行加权。我们通过向最先进的深度学习HAR模型（DeepConvLSTM）添加注意力层来构建HAR的注意力模型，并在基准数据集上评估我们的方法，取得了性能的显著提升。最后，我们将学习到的权重可视化，以更好地理解什么构成了相关时间上下文。
引用
@article{arxiv.1805.07648,
title = {On Attention Models for Human Activity Recognition},
author = {Vishvak S Murahari and Thomas Ploetz},
journal= {arXiv preprint arXiv:1805.07648},
year = {2018}
}