Abstract
移动传感与计算的应用面临着两大挑战:
- 一方面,设备上的传感器测量是有噪声的。对很多人来说,在移动应用中,很难找到一个能准确描述实际噪声的分布 基于物理系统和噪声模型计算目标量的准确性仅与噪声假设相同。
- 在分类应用程序中,尽管手动设计的功能已被证明是有效的,但要找到最强大的功能以适应不同的传感器噪声模式和异构用户行为并不总是简单的。
因此,文章提出了DeepSense,一个深度学习框架,以统一的方式直接解决上述噪音和功能定制挑战。
DeepSense集成了卷积和循环神经网络,致力于利用类似移动传感器之间的局部交互,将不同感觉模式的局部交互合并为全局交互,并提取时间关系来建模信号动力学。因此,DeepSense提供了一个通用的信号估计和分类框架,可适应广泛的应用。
我们使用三个具有代表性且具有挑战性的任务来演示DeepSense的有效性:使用运动传感器的汽车跟踪、异构人类活动识别和使用生物特征运动分析的用户识别。DeepSense在所有三项任务中都显著优于最先进的方法。此外,我们还表明,由于其适度的能耗和低延迟,DeepSense在智能手机和嵌入式设备上实现是可行的。
Keywords
深度学习、移动计算、移动传感、物联网、追踪、活动识别、用户识别
Introduction
思路非常清晰,适合做思维导图
related work
- 没有捕捉时间序列传感器输入中的时间关系
- 缺乏融合多模态传感器输入的能力
- 只关注面向分类的任务
DeepSense是第一个以统一方式直接解决基于回归和基于分类的问题的框架。