通过跨维度运动预测实现自监督人类活动识别
信号处理
2021-09-03 v2 机器学习
摘要
我们提出将自监督学习用于基于智能手机加速度计数据的人类活动识别。我们提出的解决方案包含两步。首先，通过训练深度卷积神经网络预测一段加速度计数值，来学习无标签输入信号的表示。我们的模型利用一种新颖方案，借助x和y维度的过去与当前运动以及z轴的过去值来预测z维度的值。这种跨维度预测方法实现了有效的预训练，使模型学会提取强表示。接下来，我们冻结卷积块并将权重迁移到面向人类活动识别的下游网络。对于该任务，我们在冻结网络末端添加若干全连接层，并使用有标签的加速度计信号训练新增层以学习分类人类活动。我们在三个公开人类活动数据集（UCI HAR、MotionSense和HAPT）上评估了方法性能。结果表明，我们的方法优于现有方法并取得了新的SOTA结果。
引用
@article{arxiv.2010.13713,
title = {Self-supervised Human Activity Recognition by Learning to Predict Cross-Dimensional Motion},
author = {Setareh Rahimi Taghanaki and Michael Rainbow and Ali Etemad},
journal= {arXiv preprint arXiv:2010.13713},
year = {2021}
}
备注
This paper is accepted to ISWC 2021 -- Notes & Briefs