基于分解特征表示与语义增强方法的传感器驱动活动识别领域泛化

《Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies》：Domain Generalization for Sensor-Based Activity Recognition via Decomposed Feature Representation and Semantic Augmentation

　　

摘要AI总结

要查看此由AI生成的总结，您需要拥有高级访问权限。

了解更多登录

摘要

摘要

领域泛化技术为解决基于传感器的人体活动识别任务中的分布偏移问题提供了有希望的解决方案。尤其是传感器数据增强技术受到了广泛关注，其目的是生成更多样化的特征表示，从而帮助模型实现跨领域的不变性学习。然而，现有的大多数方法都直接在传感器输入空间进行增强处理，这导致生成的增强特征种类较为有限。从直观上来看，在特征空间中进行增强处理会带来更多样化的结果，但这一思路在基于传感器的跨领域活动识别研究中却很少被采用。在本文中，我们提出了一种新的特征空间增强方法，该方法将获取到的特征分解为四类主要组成部分：类别不变且领域不变的特征、类别不变但领域特定的特征、类别特定且领域不变的特征以及类别特定且领域特定的特征。这些分类有助于我们在提升特征多样性的同时，加强不变性学习，进而提高活动识别的领域泛化能力。通过在DSADS、USC-HAD、PAMAP2和UCI-HAR四个公共人体活动识别测试集上的大量实验，结果表明我们所提出的特征空间增强方法在跨人物、跨数据集、跨位置以及同一人物在不同场景下的识别任务中均能取得最优性能。详细的消融实验和可视化分析进一步证明了该方法在跨领域活动识别任务中的有效性、高效性及通用性。

AI总结

AI生成的总结（实验性内容）

此总结是由自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助读者发现相关内容、评估文章的相关性，以及便于相关领域的读者理解文章内容。该总结是对作者提供的摘要的补充，而作者提供的摘要仍是文章的核心总结内容。完整文章才是最具权威性的版本。点击此处了解更多。

点击此处，可以对该总结的准确性、清晰度及实用性发表意见。您的反馈将有助于我们改进该总结并生成更优的版本。

要查看此由AI生成的通俗语言总结，您需要拥有高级访问权限。