面向人类活动识别的设备内训练驱动的迁移学习
人机交互
2024-07-08 v1
摘要
人类活动识别 (HAR) 是一个吸引人的主题，用于感知人类行为并提供辅助服务。除了传统的惯性单元和基于视觉的 HAR 方法之外，新的感知技术，如超声波和体积电场, 也在 HAR 中涌现，以提升用户体验并适应新的应用场景。由于这些传感器常与 AI 配合进行 HAR, 因此会因训练数据有限而面临挑战, 这种挑战在与更广泛的 IMU 或视觉-based HAR 解决方案相比尤为突出。此外, 用户引起的概念漂移 (UICD) 在此类 HAR 场景中很常见。UICD 以新用户样本分布相对于训练参与者分布偏差为特征, 导致识别性能下降。本文提出了一种针对能源和资源受限的 IoT 边缘设备的设备内迁移学习 (ODTL) 方案。针对两个代表性的 MCU 级边缘计算平台 (STM32F756ZG 和 GAP9), 我们开发了优化的设备内训练引擎。通过此方案, 我们评估了 ODTL 在三个 HAR 场景中的优势: 基于体容的健身活动识别、QVAR-和超声波-based 手势识别。我们证明了分别实现了 3.73%, 17.38% 和 3.70% 的活动识别准确率提升。此外, 我们观察到 RISC-V 架构的 GAP9 在 ODTL 部署时相较于 STM32F7 MCU 实现了 20 倍和 280 倍的延迟和功耗降低, 这表明采用最新的低功耗并行计算设备进行边缘任务具有优势。
引用
@article{arxiv.2407.03644,
title = {On-Device Training Empowered Transfer Learning For Human Activity Recognition},
author = {Pixi Kang and Julian Moosmann and Sizhen Bian and Michele Magno},
journal= {arXiv preprint arXiv:2407.03644},
year = {2024}
}