2020 Deep Learning for Sensor-based Human ActivityRecognition Overview, Challenges and Opportunities

最新推荐文章于 2024-09-26 17:20:50 发布
最新推荐文章于 2024-09-26 17:20:50 发布
阅读量276 收藏
点赞数
分类专栏： 人类行为识别+医疗卫生保健 文章标签： 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_39309111/article/details/107777990
版权
本文概述了2020年深度学习在基于传感器的人体活动识别中的应用，同时指出了该领域的挑战，包括特征提取困难、注释稀缺、类别不平衡、传感器数据异质性、数据关联复杂性、计算成本和隐私问题。此外，还提到了数据分割、并发活动和复合活动识别的难度以及模型解释性的需求。
摘要由CSDN通过智能技术生成

2020 Deep Learning for Sensor-based Human ActivityRecognition: Overview, Challenges and Opportunities

Authors:
KAIXUAN CHEN∗,University of New South Wales, Australia
DALIN ZHANG∗,University of New South Wales, Australia
LINA YAO,University of New South Wales, Australia
BIN GUO,Northwestern Polytechnical University, China
ZHIWEN YU,Northwestern Polytechnical University, China
YUNHAO LIU,Michigan State University, US

HAR领域的挑战：

  1. feature extraction: Different activities may have similar characteristics (e.g.,walking and running). Therefore, it is difficult to produce distinguishable features to representactivities uniquely.
  2. annotation scarcity: it is expensive and time-consuming to collect and annotate sensory activity data.
  3. class imbalance: data for some emergent or unexpected activities (e.g., accid
最低0.47元/天 解锁文章
杰森小野
关注
专栏目录
]每日论文推送(有中文摘要或代码或项目地址)---强化学习，机器人，视觉导航
勿忘初心,方得始终
01-12 1271
== Visual Navigation ==标题: Exploring Vulnerabilities of No-Reference Image Quality Assessment Models: A Query-Based Black-Box Method作者: Chenxi Yang, Yujia Liu, Dingquan Li摘要: No-Reference Image Quality Assessment (NR-IQA) aims to predict image quality scor
2020-04-03-功能性光学脑成像
Chen Rui blog
04-16 6703
layout title subtitle date author header-img catalog istop music-id music-idfull apserver aptype apsongid tags post 功能性光学脑成像 Functional Optical Bra...
2021-11-03论文阅读：Deep Learning for Sensor-Based Rehabilitation Exercise Recognition and Evaluation
duoduohair的博客
11-04 228
摘要 本文提出了一种利用传感器数据进行康复训练识别的多路径卷积神经网络(MP-CNN)。将D-CNN和S-CNN相结合，形成MP-CNN。为了对康复训练进行评价，提出了一个特殊的评价矩阵，并结合深度学习分类器来学习不同层次的各类康复训练的一般特征表示。 1. Introduction（完全翻译，可忽略） 康复运动是手术后特别是关节疾病手术后恢复的重要步骤之一。在康复治疗中，家庭锻炼计划是很常见的，病人在家庭环境中进行一系列的体育锻炼。然而，这样的锻炼并不总是能成功地帮助患者完全康复。一个主要的障碍是病人不遵
Deep learning for sensor-based human activity recognition: overview, challenges and opportunities
丫头的博客
03-22 1713
公众号“机器之心”针对这篇综述的主要内容，做了详细的讲解。具体如下： 传感器设备和物联网的广泛应用使得基于传感器的人类行为识别成为可能。然而，这个领域仍然存在一些重大挑战（challenge），可能会影响行为识别系统在实际应用场景中的性能。在这篇论文中，来自新南威尔士大学、西北工业大学、密歇根州立大学的研究人员综述了近期被用于解决具体行为识别挑战的深度学习方法，并提出了一种基于挑战的分类体系。 ...
Deep-Learning-for-Human-Activity-Recognition:CNN，DeepConvLSTM，SDAE和LightGBM的Keras实施，用于基于传感器的人类活动识别（HAR）
05-25
用于人类活动识别的深度学习（和机器学习） CNN，DeepConvLSTM，SDAE和LightGBM的Keras实施，用于基于传感器的人类活动识别（HAR）。 该存储库包含卷积神经网络（CNN）[1]，深度卷积LSTM（DeepConvLSTM）[1]，堆叠降噪自动编码器（SDAE）[2]和用于人类活动识别（HAR）的Light GBM的keras（tensorflow.keras）实现。 ）使用智能手机传感器数据集， UCI智能手机[3]。 表1.在UCI智能手机数据集上的五种方法之间的结果摘要。 方法 准确性 精确 记起 F1分数 轻型GBM 96.33 96.58 96.37 96.43 CNN [1] 95.29 95.46 95.50 95.47 DeepConvLSTM [1] 95.66 95.71 95.84 95.72 SDAE [
Deep Learning for Human Activity Recognition in Mobile Computing
06-10
Deep Learning for Human Activity Recognition in Mobile Computing，深度学习的移动计算的用户行为模型
时间序列分类01：人类活动识别深度学习模型综述
热门推荐
stay hungry, stay foolish
04-11 1万+
本文介绍了人类活动识别相关领域的建模方法和理论研究。
【2021年更新】面向通信技术的机器学习和深度学习文献汇总
BetterBench的博客
01-19 1万+
目录综述信号检测、信号分类和比较信道编码和解码端到端通信的学习定位、传感和本地化安全性和鲁棒性毫米波通信资源分配其他类 参考IEEE的Library 附带源码的文献汇总 综述 • C. Jiang, H. Zhang, Y. Ren, Z. Han, K.-C. Chen and L. Hanzo, “Machine learning paradigms for next-generation wireless networks,” IEEE Wireless Communications, vol. 24
Deep Learning Meets SAR
weixin_41697507的博客
07-16 7520
Deep Learning Meets SAR Abstract Deep learning in remote sensing has become an international hype, but it is mostly limited to the evaluation of optical data. Although deep learning has been introduced in SAR data processing, despite successful first attemp
LSTM human activity recognition
02-26
LSTM human activity recognition。 信号数据的采集来自于嵌入在智能手机中的加速度传感器，实验选用了人类日常行为中的六类常见行为，分别为：走路、慢跑、上楼梯、下楼梯、坐、站立，数据收集后，对数据进行特征抽取，抽取后的特征使用支持向量机的分类功能对特征进行分类，最后识别出人类的六类行为。 LSTM RNN
Cybersecurity Challenges In The Uptake Of Artifitial Intelligence in Autonomous Driving [1]
weixin_40928171的博客
05-17 1652
• State-of-the-art literature survey on AI • Mapping of AVs’ functions to their respective AI techniques • Analysis of cybersecurity vulnerabilities • Presentation of possible attack scenario • Presentation of challenges and corresponding recommendations
Real-Time Machine Learning Model Update Strategies: 3 Tips to Keep Your Model Ahead
# Real-Time Machine Learning Model Update Strategies: 3 Techniques to Keep Your Models Ahead In today's data-driven world, the real-time capability of machine learning models has become a key factor ...
ICCV2017论文摘要汇总
super_chicken的博客
04-18 6414
1. Globally-Optimal Inlier Set Maximisation for Simultaneous Camera Pose and Feature Correspondence Abstract: Estimating the 6-DoF pose of a camera from a single image relative to a pre-computed 3D p...
人类活动识别的深度学习模型
haitian403的博客
04-24 6310
目录概述人类活动识别 人类活动识别（Human Activity Recognition）是一项具有挑战性的时间序列分类任务。 它涉及到基于传感器数据预测人的移动。为了适应机器学习模型，传统上涉及到从信号处理到根据原始数据正确设计特征的深度领域专业知识和方法。 近年来，卷积神经网络和循环神经网络等深度学习方法已经显示出通过从原始传感器数据中自动学习特征的能力，甚至取得了最先进的成果。 在这篇文章中...
Ubicomp2019年论文列表
丫头的博客
09-14 1万+
Session: Ubicomp @ Work Session Chair: Alessandro Montanari IMWUTDifferentiating Higher and Lower Job Performers in the Workplace Using Mobile Sensing Shayan Mirjafari, Kizito Masaba, Ted Grover, ...
【深度学习】（3）--损失函数
m0_74896766的博客
09-18 2334
本篇介绍了部分损失函数： 1. L1Loss损失函数：通常用于回归任务中。 2. NLLLoss损失函数：在多分类问题中广泛应用。 3. MSELoss损失函数：在多种回归任务中表现出色。 4. BCELoss损失函数：广泛应用于各类二分类任务中。 5. CrossEntropyLoss交叉熵损失函数：广泛应用于多分类问题中。
对比学习训练是如何进行的
qq_45809323的博客
09-25 324
对比学习（Contrastive Learning）是一种自监督学习的方法，旨在通过拉近相似样本的表示、拉远不相似样本的表示来学习特征表示。在训练过程中，模型并不依赖标签，而是通过样本之间的相似性进行学习。
用于MRI重建的具有全局感受野的傅里叶卷积块|文献速递--基于多模态-半监督深度学习的病理学诊断与病灶分割
最新发布
weixin_38594676的博客
09-26 631
在本研究中，我们提出了一种新颖的全局傅里叶卷积块（FCB），具有整个图像的感受野和较低的计算复杂度，通过将常规的空间域卷积转化为频率域实现。在本研究中，我们提出了一种新颖的全局傅里叶卷积块（FCB），具有整个图像的感受野和较低的计算复杂度，通过将常规的空间域卷积转化为频率域实现。这意味着，虽然傅里叶域中的卷积核 W 大小与输入相同，但它的空间对应物可以是一个大小为 K × K 的零填充卷积核，大小范围从 1 × 1 到输入大小 N × N 不等。顶部显示了8×加速的结果，底部显示了12×加速的结果。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值