关于用于行人活动识别的神经惯性分类网络
机器学习
2025-12-16 v1 计算机视觉与模式识别
信号处理
摘要
惯性传感器对于识别行人活动至关重要。深度学习的最新进展极大地提高了惯性传感的性能和鲁棒性。不同的领域和平台使用深度学习技术来增强网络性能，但缺乏一个共同的基准。后者对于在标准化框架内进行公平比较和评估至关重要。本文旨在通过定义和分析十种数据驱动技术来填补这一空白，以改进神经惯性分类网络。为了实现这一目标，我们重点关注了神经网络的三个方面：网络架构、数据增强和数据预处理。实验在收集自 78 名参与者的四个数据集上进行。总共分析了在 50-200Hz 之间采样的超过 936 分钟的惯性数据。通过旋转的数据增强和多头架构持续产生了最显著的改进。此外，本研究概述了用于增强神经惯性分类网络的基准测试策略。
引用
@article{arxiv.2502.17520,
title = {On Neural Inertial Classification Networks for Pedestrian Activity Recognition},
author = {Zeev Yampolsky and Ofir Kruzel and Victoria Khalfin Fekson and Itzik Klein},
journal= {arXiv preprint arXiv:2502.17520},
year = {2025}
}
备注
arXiv admin note: substantial text overlap with arXiv:2501.01327