Generalizable Sensor-Based Activity Recognition via Categorical Concept Invariant Learning
Di Xiong, Shuoyuan Wang, Lei Zhang, Wenbo Huang, Chaolei Han·December 18, 2024
Summary
这篇论文提出了Categorical Concept Invariant Learning (CCIL)以实现通用活动识别。CCIL通过学习领域不变表示来解决人体活动识别(HAR)中因个体差异导致的泛化能力差的问题。它引入了一个概念矩阵来正则化模型，专注于特征不变性和对数点不变性。在四个公共基准上的实验显示，CCIL在跨人、跨数据集、跨位置和一人对另一人设置中均优于最先进的方法。
引言
背景
人体活动识别（HAR）领域面临的挑战
个体差异对泛化能力的影响
目的
提出Categorical Concept Invariant Learning（CCIL）以解决HAR中的泛化问题
方法
概念矩阵的引入
概念矩阵的定义与作用
如何通过概念矩阵正则化模型
特征不变性与对数点不变性
特征不变性的概念与实现
对数点不变性的概念与实现
学习领域不变表示
CCIL如何学习领域不变表示
学习过程与优化策略
实验与评估
实验设置
选择的公共基准数据集
实验条件与参数设置
结果分析
跨人、跨数据集、跨位置和一人对另一人设置下的性能比较
CCIL与最先进的方法的对比分析
结论与讨论
CCIL在实验中的表现与优势
对未来研究的启示与建议
结论
CCIL在通用活动识别领域的贡献与价值
面临的挑战与未来研究方向
Basic info
papers
computer vision and pattern recognition
artificial intelligence
Advanced features