Human Activity Recognition
PulseAugur coverage of Human Activity Recognition — every cluster mentioning Human Activity Recognition across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
LLM-based HAR frameworks will achieve widespread on-device deployment within 18 months.
The STELLA framework demonstrates that LLMs can be effectively utilized for on-device human activity recognition with real-time inference capabilities. As LLM efficiency improves and hardware capabilities increase, it's plausible that such frameworks will transition from research to practical, widespread deployment on consumer devices for personalized HAR applications.
Novel frameworks are actively addressing domain shift and data efficiency challenges in HAR.
Recent research on IBIS for Wi-Fi sensing and a new framework for inertial sensors indicates a strong industry focus on overcoming key limitations in HAR. These efforts aim to improve robustness against environmental changes and reduce the substantial data requirements for deep learning models, suggesting a trend towards more practical and efficient HAR solutions.
Federated learning approaches will become standard for privacy-preserving HAR on edge devices.
The exploration of FedAvg for HAR highlights the potential of federated learning to balance personalization and generalization while maintaining data privacy. As concerns over data privacy grow, federated learning offers a compelling solution for training HAR models on distributed edge devices without centralizing sensitive user data.
-
新的TRI-HAR框架实现了旋转不变的活动识别
研究人员开发了TRI-HAR，一个用于使用可穿戴IMU进行人类活动识别（HAR）的新型框架。该系统旨在应对多IMU设置中常见的、不同身体位置IMU之间的独立定向偏移问题。TRI-HAR通过采用旋转不变骨干网络和不变投影方法，在融合特征进行分类之前解决此问题，在多个基准测试中表现优于现有方法，且无需旋转增强。
-
新的OmniDecVAEs框架从多模态可穿戴数据中学习解耦表示
研究人员开发了全模态变分分解自编码器（OmniDecVAEs），这是一个新颖的框架，旨在从多模态可穿戴数据中学习全面且解耦的表示。该系统通过同时处理特定任务的分类、可解释的表示学习、数据融合和异构时间序列的生成建模，解决了现有方法的局限性。OmniDecVAEs通过引入模态条件潜在子空间和共享自编码器架构，扩展了先前分解自编码器的能力，在人类活动识别准确性和数据合成真实性方面表现出显著的改进。
-
Wi-Fi感知框架WiFuse提高了人类活动识别的准确性
研究人员开发了WiFuse，一个用于人类活动识别的新型Wi-Fi感知框架。该双流系统融合了去噪的时域幅度变化和2D-FFT衍生的延迟-多普勒运动表示。融合后的数据由混合ResNet-Temporal Convolutional Network (TCN)架构处理，并增强了注意力机制，在XRF55数据集上达到了95.28%的准确率，在Wi-MIR数据集上达到了98.20%的准确率。
-
DeepConvContext框架通过多尺度时间建模增强人类活动识别能力
研究人员开发了DeepConvContext，一个旨在改进人类活动识别（HAR）时间序列分类的多尺度框架。这种新方法通过分别建模窗口内和窗口间的时间模式，解决了传统滑动窗口方法的局限性。在六个HAR基准测试上的实验表明，DeepConvContext在F1分数和mAP方面取得了显著改进，同时保持了与现有方法相当的延迟和吞吐量。
-
新框架KineMIC增强了HAR的少样本动作合成
研究人员开发了KineMIC，一个新颖的迁移学习框架，旨在通过利用CLIP文本嵌入进行运动蒸馏，来改进基于骨骼的人类活动识别（HAR）的少样本动作合成。该方法将通常为通用艺术动作训练的文本到运动扩散模型，适配到HAR的特定需求。通过仅使用NTU RGB+D 120数据集中的每个动作类别10个样本，KineMIC显著提高了运动连贯性，并提供了强大的数据增强来源，使HAR分类器的准确性提高了23.1%。
-
Zero-Fi 利用信号-语言对齐实现零样本 Wi-Fi 活动识别
研究人员开发了 Zero-Fi，一个新颖的基于 Wi-Fi 的人类活动识别框架，它利用对比信号-语言对齐。这种方法允许系统识别新活动，而无需针对这些活动进行特定的标记 Wi-Fi 数据。通过在共享嵌入空间中对齐 Wi-Fi 信号特征和自然语言描述，Zero-Fi 在基准数据集上展示了有效的零样本识别能力，将 Wi-Fi 感知能力扩展到预定义的活动集之外。
-
RAG-HAR+ 增强了基于LLM的边缘设备人类活动识别能力
研究人员开发了RAG-HAR+，这是用于人类活动识别（HAR）的检索增强生成（Retrieval-Augmented Generation）的扩展。该新方法通过加强检索机制和减少对LLM推理的依赖，优化了边缘设备上基于LLM的HAR的成本效益。RAG-HAR+采用检索设计代理（Retrieval Designer Agent）进行数据集特定特征分组，并采用分层推理方法，对置信度高的预测使用多数投票，并将不确定的情况推迟给基于LLM的模…
-
Zero-Fi 实现零样本的、基于Wi-Fi的人类活动识别
研究人员开发了Zero-Fi，一个用于零样本的、基于Wi-Fi的人类活动识别的新框架。该系统利用对比信号-语言对齐，从Wi-Fi信号和自然语言描述中学习统一的表示。通过在共享嵌入空间中对齐这些模态，Zero-Fi可以在无需特定标记的Wi-Fi数据或针对这些类别的模型重新训练的情况下，识别新的活动类别。实验表明，它在识别公共数据集上先前未见的活动方面非常有效。
-
新研究解决人工智能模型的灾难性遗忘问题 · 已追踪 7 个来源
研究人员正在开发新颖的方法来解决持续学习中的灾难性遗忘问题，即人工智能模型在学习新任务时会丢失先前获得的知识。最近几篇 arXiv 论文提出了不同的方法，包括规范化多模态学习中的模态贡献漂移、采用参数高效门控适应以及利用无梯度进化算法。其他方法则侧重于具有无梯度路由的紧凑型潜在空间适配器，以及在零空间中优化状态空间模型以在顺序任务中保留知识。
-
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
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…
-
新研究为惯性传感器深度学习提供数据高效指南
一篇新研究论文提出了一种用于惯性传感器分类任务的深度学习数据高效方法。该研究引入了一个框架来估算所需的最小训练数据量，发现准确率持续呈现对数增长模式。这项研究提供了一个量化指标来确定学习曲线的“稳定性点”，表明模型可以用比之前认为的更少的样本实现实际稳定性，从而优化数据收集工作。
-
新理论解决雷达人体活动识别中的泛化问题
研究人员开发了一个理论框架，用于分析隔墙雷达（TWR）人体活动识别（HAR）中的泛化问题。该框架在源到目标学习的框架内，建立了人体运动学、雷达回波生成、图像形成和特征表示的模型。它推导出了统一的目标域泛化界，并将结构化偏移分解为跨人、跨视角和跨墙分量，分析了物理表示和多源训练的影响。
-
新的IBIS框架增强了用于人类活动识别的Wi-Fi传感能力
研究人员开发了IBIS，一个新颖的集成框架，旨在提高用于人类活动识别（HAR）的Wi-Fi传感的稳健性。该系统结合了用于特征提取的Inception-双向长短期记忆（BiLSTM）网络和用于分类的支持向量机（SVM），专门解决了困扰当前HAR技术的域偏移问题。在实验中，IBIS的准确率达到了95.40%，在跨场景评估中比标准架构提高了7.58%，并有效降低了基于Wi-Fi的HAR的环境依赖性。
-
FedAvg 算法探索个性化与泛化能力在 HAR 中的权衡
本文探讨了 FedAvg 算法在人类活动识别 (HAR) 领域的有效性，重点关注联邦学习中个性化与泛化准确性之间的平衡。研究人员设计并实施了各种测试场景，以比较集中式、本地式和联邦式学习范式，包括模拟变化的客户端数据。实验结果表明，与传统的集中式学习相比，FedAvg 在保持强大泛化能力的同时提供了更好的个性化，尽管在客户端之间变化的类别分布等挑战性条件下，这种优势会减弱。
-
STELLA框架赋能LLM进行设备端人类活动识别
研究人员开发了STELLA，一个新颖的框架，旨在赋能大型语言模型（LLMs）进行设备端人类活动识别（HAR）。该系统有效地将原始传感器数据转换为紧凑的潜在令牌，然后由冻结的LLM进行处理。STELLA还通过调整轻量级分词器来实现设备端个性化，允许随着用户特定数据的积累而持续改进。该框架在多个数据集和设置中实现了最先进的性能，证明了在实际移动和边缘计算约束下进行实时推理的能力。
-
新研究应对人类活动识别中的领域泛化挑战
一篇新研究论文探讨了由于分布偏移导致的人类活动识别（HAR）领域泛化挑战。该研究系统地评估了四种类型的偏移——设备类型、传感器放置、采样率和用户行为——发现多样性偏移占主导地位。该论文提出了一个HAR分布偏移基准，并评估了28种领域泛化方法，揭示了当前算法在实现模型泛化能力方面的局限性。
-
新方法改进零样本人类活动识别
研究人员开发了一种新方法，利用惯性测量单元（IMU）数据来改进零样本学习在人类活动识别中的应用。他们的方法侧重于通过优化原型表示来弥合传感器数据与语义理解之间的差距。通过采用对比训练和使用更具描述性的文本原型，他们在识别未见过活动的准确性方面取得了显著提高。
-
新框架用最少数据实现可穿戴设备活动识别个性化
研究人员开发了一种新的框架，用于在可穿戴设备上个性化人类活动识别（HAR）模型。这种无梯度的方法可以重新利用现有的HAR分类器，用最少的校准数据适应新用户，即使这些数据是未标记的或不可用的。该方法在准确性方面显示出显著的改进，监督自适应将性能提高了高达33.44个百分点，无监督自适应提高了高达32.13个百分点。
-
GenHAR框架通过域不变学习改进人类活动识别
研究人员开发了GenHAR，一个新框架，通过解决传感器数据中的域偏移来改进人类活动识别（HAR）。GenHAR通过对传感器数据进行分词并分析跨维度的相关性来学习域不变表示，增强了模型的鲁棒性。该框架还纳入了选择性掩码和高效的注意力机制，以提高性能并降低计算负载。在实际测试中，GenHAR比现有方法提高了9.97%的准确率，并被部署用于检测四个城市超过21.5亿次活动。
-
新的SAMoE-C方法通过场景自适应专家改进了基于CSI的HAR
研究人员开发了一种名为场景自适应专家混合与聚类专家（SAMoE-C）的新方法，以改进使用信道状态信息（CSI）的人类活动识别。该方法通过一个基于注意力机制的语义路由器来激活仅相关的专家，从而解决了CSI系统在遇到不同物理环境时性能下降的问题，实现了场景特定的自适应。该系统还利用最小重放缓冲区来提高训练稳定性，并与现有的持续学习解决方案相比，显著降低了推理成本。