您尚未登录账户请先登录您的atyun账户，方可使用该功能
您的企业账号申请正在审核中审核通过后即可使用此功能，请耐心等待~
研究人员提出用于可穿戴设备活动检测的AI框架，只需少量标记数据
2019年03月27日 由 董灵灵 发表
743205
0
可穿戴设备进行活动检测并不新奇，如Apple Watch，Fitbit的可穿戴设备，但是，许多基于其功能的算法模型需要大量人工生成的训练数据，并且如果没有手工标记，通常无法使用这些数据。马萨诸塞州阿默斯特大学的研究人员已经开发出一种节省劳力的解决方案，这可以节省宝贵的时间。在论文“Few-Shot Learning-Based Human Activity Recognition”中，描述了一种基于可穿戴传感器的活动识别技术，该技术通过将相关任务优化后的知识转移到AI模型中，用少量标记训练数据进行训练。
论文指出，“由于获取活动数据的高成本以及活动模式之间普遍存在的相似性，比起当少数数据可用于模型训练，要收集更多数据以从头开始训练新模型，从现有活动识别模型借用信息更有效率，该方法利用深度学习模型进行特征提取和分类，知识传递采用模型参数传递的方式进行。”
具体而言，该团队设计了一个框架，few-shot human activity recognition（FSHAR），包括三个步骤，首先，深度学习模型，特别是长短期记忆（LSTM）网络，将低级传感器输入转换为高级语义信息，用样本进行训练。接下来，从数学上辨别与学习目标任务（或任务）相关或有帮助的数据，并将其与不相关的数据分开。最后，网络的参数，即从历史训练数据中学习到的变量在重新传输到目标网络之前经过了微调。
为了验证该方法，研究人员使用来自两个基准数据集的331个样本进行了实验：机会活动识别数据集（OPP），以及身体活动监测数据设置（PAMAP2）。与基线相比，他们声称FSHAR方法几乎总是可以达到最佳性能。
团队表示“在此框架下，即使每个类别只有很少的训练样本，也可以获得令人满意的人类活动识别结果。实验结果表明，框架优于不需要知识迁移或者只迁移特征提取器的知识的方法。”
论文：
arxiv.org/pdf/1903.10416.pdf
欢迎关注ATYUN官方公众号
商务合作及内容投稿请联系邮箱:bd@atyun.com
广告
广告
写评论取消
回复取消