PulseAugur
中
实时 21:59:15
English(EN) Joint-Embedding Predictive Architecture for Sensor-based Activity Recognition

新的JEPA框架通过无标签数据增强了基于传感器的活动识别能力

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个联合嵌入预测架构（JEPA）框架，以改进基于传感器的活动识别。该新框架旨在从无标签数据集中学习鲁棒的表征，解决了传统监督学习方法需要大量手动标注的局限性。JEPA框架包含一个编码器，该编码器同时建模细粒度的局部时间模式和长期序列，并结合了改进的方差-不变-协方差正则化（VICReg）目标，以防止预训练期间表征坍塌。在基准数据集上的评估表明，HAR-JEPA框架成功学习到了高质量的表征，并显示出优越的泛化能力，尤其是在过渡性活动方面。 AI

影响 这项研究通过减少对标注数据的依赖，可能带来更高效、更准确的活动识别系统。

排序理由 这是一篇详细介绍活动识别新框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的JEPA框架通过无标签数据增强了基于传感器的活动识别能力

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Mohd Halim Mohd Noor, Abdulrahman M. A. Baraka ·

    用于基于传感器的活动识别的联合嵌入预测架构

    arXiv:2607.16350v1 Announce Type: cross Abstract: Sensor-based human activity recognition (HAR) has achieved significant progressed in fully supervised learning settings. However, these supervised learning models rely on large amount of labeled data, which require labor-intensive…

相关实体

相关话题