用于鲁棒人体活动识别的相似性嵌入网络
计算机视觉与模式识别
2021-06-30 v1 机器学习
信号处理
摘要
近年来，基于传感器数据的人体活动识别（HAR）深度学习模型已被广泛研究。然而，深度模型在复杂真实世界 HAR 数据上的泛化能力受限于高质量标注活动数据的可用性，而这类数据难以获取。在本文中，我们设计了一种相似性嵌入神经网络，通过精心设计的卷积层和 LSTM 层将输入传感器信号映射到实值向量。该嵌入网络以成对相似性损失进行训练，促使同一类别的样本在嵌入实空间中聚类，并且能够在小数据集甚至含有错标样本的有噪数据集上有效训练。基于学习到的嵌入，我们进一步提出了用于活动识别的非参数和参数方法。基于两个公开数据集的广泛评估表明，所提出的相似性嵌入网络在 HAR 分类任务上显著优于最先进的深度模型，对训练集中的错标样本具有鲁棒性，并且也可用于有效地对噪声数据集去噪。
引用
@article{arxiv.2106.15283,
title = {Similarity Embedding Networks for Robust Human Activity Recognition},
author = {Chenglin Li and Carrie Lu Tong and Di Niu and Bei Jiang and Xiao Zuo and Lei Cheng and Jian Xiong and Jianming Yang},
journal= {arXiv preprint arXiv:2106.15283},
year = {2021}
}