- Бесконтактное распознавание человеческой деятельности с использованием глубокого обучения с гибким и масштабируемым программным обеспечением Define Radio (arXiv)
Автор: Мухаммад Закир Хан, Джавад Ахмад, Вади Булила, Мэттью Бродбент, Сайед Азиз Шах, Анис Кубаа, Каммер Х. Аббаси.
Аннотация: В последние годы системы обучения с самоконтролем (SSL) широко применялись для сенсорного распознавания человеческой деятельности (HAR) для изучения глубоких представлений без аннотаций данных. В то время как платформы SSL достигают производительности, почти сравнимой с контролируемыми моделями, исследования по интерпретации представлений, полученных с помощью моделей SSL, ограничены. Тем не менее, современные методы объяснимости могут помочь раскрыть различия между SSL и представлениями с учителем: как они изучаются, какие свойства входных данных они сохраняют и когда SSL можно предпочесть обучению с учителем. В этой статье мы стремимся проанализировать глубокие представления двух последних инфраструктур SSL, а именно SimCLR и VICReg. В частности, акцент делается на (i) сравнении надежности контролируемых моделей и моделей SSL с искажениями входных данных; (ii) объяснение прогнозов моделей глубокого обучения с использованием карт заметности и выделение того, какие входные каналы в основном используются для прогнозирования различных действий; (iii) изучение свойств, закодированных в SSL, и контролируемых представлений с использованием зондирования. Обширные эксперименты на двух наборах данных с одним устройством (MobiAct и UCI-HAR) показали, что представления обучения с самоконтролем значительно более устойчивы к шуму в невидимых данных по сравнению с контролируемыми моделями. Напротив, особенности, полученные с помощью контролируемых подходов, более однородны по субъектам и лучше кодируют характер деятельности.
2. Адаптация домена для распознавания человеческой деятельности на основе инерциальных единиц измерения: опрос (arXiv)
Автор: Авиджой Чакма, Абу Захер Мд Фариди, Индраджит Гош, Нирмаля Рой.
Аннотация. Модели распознавания активности человека (WHAR) на основе машинного обучения позволяют разрабатывать различные интеллектуальные и подключенные к сети приложения для сообщества, такие как мониторинг режима сна, напоминания о лекарствах, оценка когнитивного здоровья, спортивная аналитика и т. д. Однако широкое внедрение этих WHAR моделям мешает их ухудшенная производительность при наличии неоднородности распределения данных, вызванной размещением датчика в разных положениях тела, присущими устройствам предубеждениями и неоднородностями, а также личностными различиями и различиями в окружающей среде. В литературе были предложены различные традиционные алгоритмы машинного обучения и методы трансфертного обучения для решения основных проблем обработки таких неоднородностей данных. Адаптация предметной области является одним из таких методов трансфертного обучения, который приобрел значительную популярность в недавней литературе. В этой статье мы рассмотрим недавний прогресс методов адаптации домена в области распознавания человеческой деятельности на основе инерциальных измерительных блоков (IMU), а также обсудим возможные будущие направления.
