用于弱监督人类活动识别的孪生网络
人机交互
2023-07-19 v1 人工智能
机器学习
摘要
深度学习已成功应用于人类活动识别。然而，训练深度神经网络需要显式标注的数据，而这类数据难以获取。在本文中，我们提出了一种具有多个孪生网络的模型，其仅利用数据样本对之间的相似性信息而不知晓显式标签进行训练。训练后的模型将活动数据样本映射为固定大小的表示向量，使得表示空间中向量之间的距离近似于输入空间中数据样本的相似性。因此，训练后的模型可作为多种不同聚类算法的度量。训练过程最小化一个相似性损失函数，该函数迫使来自同类活动的样本对之间的距离度量较小，而来自不同类活动的样本对之间的距离度量较大。我们在三个数据集上评估了该模型，以验证其在连续人类活动序列分割与识别中的有效性。
引用
@article{arxiv.2307.08944,
title = {Siamese Networks for Weakly Supervised Human Activity Recognition},
author = {Taoran Sheng and Manfred Huber},
journal= {arXiv preprint arXiv:2307.08944},
year = {2023}
}