时间结构对于可穿戴人体活动识别中高效测试时自适应的重要性
计算机视觉与模式识别
2026-05-12 v2 人机交互
机器学习
摘要
可穿戴人体活动识别（WHAR）模型在现实世界的跨用户分布偏移下常出现性能下降。测试时自适应（TTA）通过使用无标签测试流在线自适应模型来缓解这种下降，但现有方法很大程度上继承了视觉任务的假设，并未充分利用 WHAR 流中固有的窗口间时间结构。在本文中，我们重新审视这种时间结构，将其作为特征条件的推断信号，而不仅仅是输出空间的平滑先验。我们得出的见解是，时间连续性和观测引起的特征偏差为确定何时保持或释放时间惯性，以及在可能发生转换期间将预测细化路由至何处提供了互补线索。基于此见解，我们提出了 SIGHT，一个用于 WHAR 的轻量级、无反向传播的 TTA 框架，可实现实时边缘部署。SIGHT 通过将当前特征与基于原型的期望状态进行比较来估计预测惊奇度，随后利用所得的特征偏差，基于原型对齐和流级边缘习惯跟踪来引导几何感知的转换路由。在真实世界数据集上的评估证实，SIGHT 优于现有的 TTA 基线，同时降低了计算和内存成本。
引用
@article{arxiv.2605.04617,
title = {Temporal Structure Matters for Efficient Test-Time Adaptation in Wearable Human Activity Recognition},
author = {Zishu Zhou and Zaipeng Xie and Xuanyao Jie},
journal= {arXiv preprint arXiv:2605.04617},
year = {2026}
}