重新思考具有层级感知标签关系建模的人类活动识别

人类活动识别（HAR）的研究已持续数十年，涵盖数据采集、学习模型到后处理及结果解释。然而，尽管活动内在的层级结构对模型性能和解释性有显著影响，但其仍未得到充分探索。本文提出 H-HAR，通过深入探究复杂的全球标签关系，从全新视角重新思考 HAR 任务。我们并未为多层活动分别构建多个分类器，而是探索了增强基于图的标签关系建模的扁平模型的有效性。作为层级感知模型，基于图的标签建模通过将复杂的标签关系纳入模型，增强了基础 HAR 模型。我们在复杂人类活动数据上使用多标签分类器验证了该提案。结果突显了该提案的优势，其可垂直集成到先进的 HAR 模型中以进一步提升其性能。