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。