细节决定成败：一种用于出行方式检测的高效卷积神经网络
信号处理
2021-09-21 v1 机器学习
摘要
出行方式检测是一个分类问题，旨在设计一种能够根据多模态信号（GPS和/或惯性传感器）推断用户出行方式的算法。它有许多应用，如碳足迹追踪、出行行为分析或实时门到门智能规划。当前多数方法依赖使用机器学习技术的分类步骤，并且如同许多其他分类问题一样，深度学习方法的性能通常优于使用手工特征的的传统机器学习方法。然而，深度模型有一个显著缺点：它们通常很繁重，无论是在存储空间还是计算成本方面。我们展示了一种小型、优化过的模型可以表现得和当前的深度模型一样好。在GeoLife与SHL 2018数据集上的实验中，我们得到了具有数万参数的模型，即参数量与运算量比最先进网络少10至1000倍，但仍达到可比的性能。我们还利用上述数据集表明，当前用于处理不同长度信号的预处理是次优的，并提供了更好的替代方案。最后，我们引入了一种使用轻量卷积神经网络处理不同长度信号的方法，而无需使用更重的循环神经网络。
引用
@article{arxiv.2109.09504,
title = {The Devil Is in the Details: An Efficient Convolutional Neural Network for Transport Mode Detection},
author = {Hugues Moreau and Andréa Vassilev and Liming Chen},
journal= {arXiv preprint arXiv:2109.09504},
year = {2021}
}
备注
13 pages, 5 figures, 6 tables. Published in IEEE Transactions on Intelligent Transportation Systems