面向跨域活动识别的分层迁移学习
计算机视觉与模式识别
2018-01-04 v1 机器学习
摘要
在活动识别中，获取充足的活动标签往往代价高昂且耗时。为解决此问题，迁移学习利用源域的带标签样本来标注目标域，而目标域仅有少量或无标签。现有方法通常考虑学习全局域偏移，却忽略了类内亲和性，这会阻碍算法性能。本文提出一种新颖且通用的跨域学习框架，能够利用类的类内亲和性来执行类内知识迁移。所提框架称为分层迁移学习 (Stratified Transfer Learning, STL)，可显著提升跨域活动识别的分类准确率。具体而言，STL 首先通过多数投票技术为目标域获取伪标签；随后迭代执行类内知识迁移，将两域变换至同一子空间；最后通过二次标注获得目标域标签。为评估 STL 性能，我们在三个大型公开活动识别数据集（即 OPPORTUNITY、PAMAP2 和 UCI DSADS）上进行了综合实验，表明 STL 在分类准确率上显著优于其他最先进方法（提升 7.68%）。此外，我们广泛考察了 STL 在域间不同相似度与活动水平下的性能，并讨论了 STL 在其他普适计算应用中的潜力，为未来研究提供经验参考。
引用
@article{arxiv.1801.00820,
title = {Stratified Transfer Learning for Cross-domain Activity Recognition},
author = {Jindong Wang and Yiqiang Chen and Lisha Hu and Xiaohui Peng and Philip S. Yu},
journal= {arXiv preprint arXiv:1801.00820},
year = {2018}
}
备注
10 pages; accepted by IEEE PerCom 2018; full paper. (camera-ready version)