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表示形式，从而帮助模型具备跨领域的不变性。然而，现有方法大多直接在传感器输入空间进行增强处理，这导致增强后的特征种类较为有限。从直觉上来看，在特征空间进行增强处理会带来更多样性和灵活性，但这一方法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，该方法将获取的特征分解为四类主要成分：类别不变且领域不变、类别不变但领域特定、类别特定且领域不变，以及类别特定且领域特定。这类分解方式能够在提升传感器样本多样性的同时，强化模型的不变性学习，进而提升活动识别的领域泛化能力。通过在DSADS、USC-HAD、PAMAP2和UCI-HAR四个公开的人体活动识别测试集上的大量实验，我们证明了所提出的特征空间增强方法在跨人物、跨数据集、跨位置以及同一人不同场景等条件下都能取得最优性能。详细的消融实验和可视化分析进一步验证了该方法在跨领域活动识别场景下的有效性、高效性及普适性。

AI总结

AI生成的总结（实验性内容）

此总结是通过自动化工具生成的，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、评估文章相关性，以及便于相关研究领域的读者理解本文内容。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。全文仍是该内容的权威版本。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。您的反馈将有助于改进未来的总结生成版本。

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。