.png){kind=icon}
返回
Semi-supervised Human Activity Recognition with individual difference alignment
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2025.126976.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
人体活动识别（HAR）是可穿戴设备的关键应用，为各种智能场景提供重要指导。目前，HAR主要依赖基于标注数据的监督模型。然而，由于标注成本的限制，现有标注数据往往无法代表不同场景下具有多样化活动习惯的个体，从而导致频繁出现过拟合问题。因此，本文聚焦于从无标注数据中提取额外信息的半监督方法。传统半监督训练范式主要关注识别样本级的判别特征，但常常忽视人体活动数据中固有的个体差异，导致泛化能力提升有限。为解决此问题，我们提出一种名为个体差异对齐（individual difference alignment）的半监督训练任务，旨在增强不同个体间特征的鲁棒性。具体而言，我们设计的差异对齐对比损失（Difference Alignment Contrastive Loss, DAC Loss）对相似个体的特征进行对齐并减少类内方差，从而提升模型在多样化个体间的泛化能力。此外，我们还引入了一种针对个体差异对齐任务的采样策略，以防止模型学习到错误特征。大量实验表明，在标注数据稀缺的条件下，与监督基线相比，我们的方法在UCI-HAR、RealWorld和MotionSense数据集上分别实现了F1-Score平均提升6.86、6.44和15.56，超越了其他弱监督方法。
Keyword:
Human Activity Recognition
Semi-supervised learning
Individual difference alignment
Contrastive loss
Artificial intelligence
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
引用论文
.png){kind=icon}
Human activity recognition using tools of convolutional neural networks: A state of the art review, data sets, challenges, and future prospects使用卷积神经网络工具进行人类活动识别: 最新技术综述，数据集，挑战和未来前景
OAAI
OAAI分享收藏Human activity recognition in artificial intelligence framework: a narrative review人工智能框架中的人类活动识别: 叙述性回顾OAAI
OAAI分享收藏分享收藏
查看更多内容