WS-IMUBench：弱监督方法能否适用于 IMU 基时序动作局部化？

IMU 基于的人类活动识别 (HAR) 已使其在 ubiquitous computing 应用中占据重要地位，但其主导的 clip 分类范式无法捕捉真实世界行为的丰富时序结构。这就催生了向 IMU 时序动作局部化 (IMU-TAL) 的转变，该方法在连续流中预测动作类别及其开始/结束时间。然而，当前进展严重受限于需要稠密、帧级边界标注，这些标注成本高昂且难以扩展。为缓解这一瓶颈，我们提出 WS-IMUBench，系统性地研究仅使用序列级标签的弱监督 IMU-TAL (WS-IMU-TAL)。我们不提出新的局部化算法，而是评估 established 弱监督局部化范式（来自音频、图像和视频）在仅使用序列级标签的情况下能否转化到 IMU-TAL。我们在七个公开 IMU 数据集上对七个具有代表性的弱监督方法进行基准测试，产生了超过 3540 次模型训练运行和 7080 次推理评估。基于关于转化性、有效性和洞察的三个研究问题，我们的发现表明：(i) 转化取决于模态，时序域方法通常比基于图像的提案方法更稳定；(ii) 在有利于的数据集（例如具有更长动作和更高维感知的数据集）上，弱监督方法可与竞争力相当；(iii) 主导的失败模式来自短动作、时序模糊和提案质量差。最后，我们概述了推进 WS-IMU-TAL 的具体方向（例如 IMU 特定的提案生成、边界感知目标和更强的时序推理）。除了 individual 结果之外，WS-IMUBench 建立了一个可复现的 benchmarking 模板，包括数据集、协议和分析，加速社区整体推进 WS-IMU-TAL。