面向可泛化基于传感器跨域活动识别的语义判别混合增强
人工智能
2022-06-15 v1
摘要
收集足够的标注数据以构建人类活动识别（HAR）模型既昂贵又耗时。在已有数据上训练常使模型偏向训练数据的分布，从而模型在具有不同分布的测试数据上可能表现极差。尽管现有的迁移学习与域适应研究试图解决上述问题，它们仍需访问目标域上的无标注数据，而这在真实场景中未必可行。少数工作关注训练一个能很好泛化到未知目标域的 HAR 模型。本文提出一种称为语义判别混合增强（SDMix）的新方法，用于可泛化的跨域 HAR。首先，我们引入考虑活动语义范围的语义感知 Mixup，以克服域差异带来的语义不一致性。其次，我们引入大间隔损失来增强 Mixup 的判别力，防止由带噪虚拟标签引起的误分类。在五个公开数据集上的综合泛化实验表明，我们的 SDMix 大幅优于最先进方法，在跨人、跨数据集和跨位置 HAR 上平均准确率提升 6%。
引用
@article{arxiv.2206.06629,
title = {Semantic-Discriminative Mixup for Generalizable Sensor-based Cross-domain Activity Recognition},
author = {Wang Lu and Jindong Wang and Yiqiang Chen and Sinno Jialin Pan and Chunyu Hu and Xin Qin},
journal= {arXiv preprint arXiv:2206.06629},
year = {2022}
}
备注
To be presented at UbiComp 2022; Accepted by Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies (IMWUT)