基于重采样的传感器数据增强用于人类活动识别中的对比学习
人机交互
2022-03-24 v2 计算机视觉与模式识别
摘要
尽管深度学习推动了基于传感器的人类活动识别(HAR)的发展，但它通常是一项成本高且具挑战性的监督任务，需要大量标注数据。为缓解此问题，对比学习已被应用于基于传感器的HAR。数据增强是对比学习的重要组成部分，对下游任务的性能有显著影响。然而，当前流行的增强方法在基于传感器的HAR对比学习中未能取得有竞争力的性能。受此问题启发，我们提出一种新的通过重采样进行的传感器数据增强方法，该方法通过改变采样频率来模拟更真实的活动数据，以最大化采样空间的覆盖。此外，我们将流行的对比学习框架MoCo扩展为用于HAR的MoCoHAR。该重采样增强方法将在SimCLRHAR和MoCoHAR两个对比学习框架上，使用UCI-HAR、MotionSensor和USC-HAD数据集进行评估。实验结果表明，在以平均F1-score作为评估指标时，重采样增强方法在少量标注数据下于SimCLRHAR和MoCoHAR上优于所有最先进方法。结果还表明，并非所有数据增强方法在对比学习框架中都具有正向作用。
引用
@article{arxiv.2109.02054,
title = {Sensor Data Augmentation by Resampling for Contrastive Learning in Human Activity Recognition},
author = {Jinqiang Wang and Tao Zhu and Jingyuan Gan and Liming Chen and Huansheng Ning and Yaping Wan},
journal= {arXiv preprint arXiv:2109.02054},
year = {2022}
}
备注
13 pages,5 figures