人类活动识别（HAR）：ConvBoost: Boosting ConvNets for Sensor-based Activity Recognition

源码见专栏置顶～

论文作者：Shuai Shao,Yu Guan,Bing Zhai,Paolo Missier,Thomas Ploetz

作者单位：University of Warwick;Northumbria University;Newcastle University;Georgia Institute of Technology

论文链接：http://arxiv.org/abs/2305.13541v1

项目链接：https://github.com/sshao2013/ConvBoost

内容简介：

1）方向：人类活动识别（HAR）

2）应用：人类活动识别

3）背景：随着深度学习（DL）分析方法的出现，可以从端到端提取高级特征并进行分类。然而，由于典型HAR应用程序中可用的标记样本数据数量极少，往往不足，DL-based HAR可能会受到过度拟合的影响。

4）方法：本文提出 ConvBoost，一种新的三层结构模型架构和卷积网络的增强框架，用于HAR。该框架从三个不同的角度生成额外的训练数据，以改善HAR中标记训练数据的短缺。具体而言，通过引入三个概念层：Sampling Layer（采样层），Data Augmentation Layer（数据增强层）和 Resilient Layer（弹性层） ，开发三个“boosters” - R-Frame，Mix-up和C-Drop ， 通过密集采样，合成和模拟来丰富每个时期的训练数据。这些新的概念层和增强器对于任何类型的卷积网络都是通用的，它们是基于传感器数据的特征和基于帧的HAR概念设计的。

5）结果：在三个标准基准测试中（Opportunity，PAMAP2，GOTOV）的实验评估中，证明了ConvBoost框架对于基于卷积网络的HAR模型的性能提升的有效性。为所有这些模型实现了实质性的性能提升，这表明所提出的方法是通用的，并且可以作为现有ConvNet-based HAR模型性能提升的实际解决方案。代码可以在https://github.com/sshao2013/ConvBoost找到。