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方法受到了广泛关注，其目的是生成更多样化的表示形式，从而帮助模型在不同领域间保持不变性。然而，现有的大多数方法都直接在传感器输入空间中进行增强处理，这导致生成的增强特征种类较为有限。从直觉上讲，在特征空间中进行增强处理会带来更多样性和灵活性，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、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。通过这种方式，我们能够在增强传感器样本多样性的同时，注重不变性学习，进而提升活动识别的领域泛化能力。我们在包括DSADS、USC-HAD、PAMAP2和UCI-HAR在内的四个公开人体活动识别基准数据集上进行了大量实验，结果表明，我们所提出的特征空间增强方法在跨人员、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证明了该方法在跨领域活动识别场景下的有效性、高效性以及通用性。

AI总结

AI生成的总结（实验性内容）

此总结是使用自动化工具生成的，并非由文章作者撰写或审核。它旨在辅助读者发现相关内容、评估文章的相关性，以及帮助来自相关研究领域的读者理解本文内容。它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。完整文章才是最具权威性的版本。点击此处了解更多。

点击这里，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对总结进行优化，并生成更好的后续版本。

要查看此AI生成的通俗语言总结，您需要拥有高级访问权限。