基于 Transformer 的模型应对人体活动识别中的异构环境
计算机视觉与模式识别
2025-08-26 v2 人工智能
机器学习
摘要
移动设备上的人体活动识别（HAR）已被证明可使用在设备惯性测量单元采集数据上训练的神经网络模型实现。这些模型使用了卷积神经网络（CNN）、长短期记忆（LSTM）、Transformer 或它们的组合，以实时性能取得最先进的结果。然而，这些方法尚未在输入数据可能与训练数据不同的真实场景中得到广泛评估。本文强调了机器学习应用中的数据异构性问题，以及它如何阻碍其在普适环境中的部署。为解决这个问题，我们提出并公开发布了两个称为 HART 与 MobileHART 的传感器级 Transformer 架构的代码，用于人体活动识别 Transformer。我们在多个公开可用数据集上的实验表明，这些 HART 架构以少于常规 Transformer 的浮点运算量和参数量优于先前的架构。结果还显示它们对移动位置或设备品牌的变化更具鲁棒性，因而更适用于真实环境中遇到的异构环境。最后，源代码已公开可用。
引用
@article{arxiv.2209.11750,
title = {Transformer-based Models to Deal with Heterogeneous Environments in Human Activity Recognition},
author = {Sannara EK and François Portet and Philippe Lalanda},
journal= {arXiv preprint arXiv:2209.11750},
year = {2025}
}
备注
Titled changed from pre-print version "Lightweight Transformers for Human Activity Recognition on Mobile Devices"