面向跨人活动识别的无优化测试时自适应
计算机视觉与模式识别
2024-02-08 v2 人工智能
机器学习
摘要
人体活动识别(HAR)模型在真实应用中常因不同个体间活动模式的分布偏移而性能下降。测试时自适应(TTA)是一种新兴学习范式,旨在利用测试流实时调整预测,此前尚未在 HAR 中被探索。然而,基于优化的 TTA 算法的高计算成本使其难以在资源受限的边缘设备上运行。本文提出一种用于基于传感器的 HAR 的无优化测试时自适应(OFTTA)框架。OFTTA 以无优化方式同时调整特征提取器与线性分类器。对于特征提取器,我们提出指数衰减测试时归一化(EDTN)以替换常规批归一化(CBN)层。EDTN 结合 CBN 与测试时批归一化(TBN),提取对域偏移鲁棒的特征,且 TBN 的影响在更深层中呈指数衰减。对于分类器,我们通过计算特征与原型间的距离来调整预测,原型由维护的支持集计算。此外,支持集的更新基于伪标签,可受益于 EDTN 提取的可靠特征。在三个公开跨人 HAR 数据集与两种不同 TTA 设置上的大量实验表明,OFTTA 在分类性能与计算效率上均优于最先进的 TTA 方法。最后,我们在边缘设备上验证了所提 OFTTA 的优越性,表明其可能在真实应用中部署。我们的代码见 https://github.com/Claydon-Wang/OFTTA。
引用
@article{arxiv.2310.18562,
title = {Optimization-Free Test-Time Adaptation for Cross-Person Activity Recognition},
author = {Shuoyuan Wang and Jindong Wang and HuaJun Xi and Bob Zhang and Lei Zhang and Hongxin Wei},
journal= {arXiv preprint arXiv:2310.18562},
year = {2024}
}
备注
To be presented at UbiComp 2024; Accepted by Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies (IMWUT)