面向人类活动识别的主体不变对比学习
计算机视觉与模式识别
2025-07-08 v1 机器学习
摘要
标注数据的高成本使得自监督方法（如对比学习方法）对于人类活动识别（HAR）具有吸引力。有效的对比学习依赖于选择信息丰富的正负样本。然而，HAR 传感器信号受到主体差异导致的显著领域偏移的影响。这些领域偏移阻碍了模型对未见主体的泛化，因为模型会嵌入主体特定的变异而非活动特定的特征。结果是，训练自对比学习的人类活动识别模型往往难以泛化到新主体。我们引入主体不变对比学习（SICL），这是一种简单而有效的损失函数，用于提高人类活动识别中的泛化能力。SICL 对来自相同主体的负样本进行重新加权，以抑制主体特定线索并强调活动特定信息。我们在三个公开基准数据集上评估了该损失函数：UTD-MHAD、MMAct 和 DARai。我们表明，SICL 相对于传统对比学习方法可提升最高 11%。此外，我们展示了该损失函数在各种设置下的适应性，包括多种自监督方法、多模态场景以及监督学习框架。
引用
@article{arxiv.2507.03250,
title = {Subject Invariant Contrastive Learning for Human Activity Recognition},
author = {Yavuz Yarici and Kiran Kokilepersaud and Mohit Prabhushankar and Ghassan AlRegib},
journal= {arXiv preprint arXiv:2507.03250},
year = {2025}
}