Human Activity Recognition
PulseAugur coverage of Human Activity Recognition — every cluster mentioning Human Activity Recognition across labs, papers, and developer communities, ranked by signal.
4 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MemFLoRA方法大幅削减边缘自适应CNN的内存使用
研究人员开发了一种名为Memory-Floor LoRA (MemFLoRA) 的新参数高效微调方法，专为在边缘自适应卷积神经网络 (CNN) 而设计。该方法通过减少反向传播所需的激活状态来解决设备上学习的内存限制。与完全微调相比，MemFLoRA在节省激活内存方面高达98.7%，在峰值训练状态内存方面高达97.3%，同时在人类活动识别任务上保持或提高了性能。
-
AI活动识别模型在老年人方面表现出性能差距
一篇新发表在arXiv上的研究论文强调，尽管深度学习取得了进展，但在应用于老年人时，人类活动识别（HAR）模型存在显著的性能差距。研究人员发现，主要在年轻成年人数据上训练的模型无法有效地泛化到老年人群体，导致准确率持续存在差异。研究表明，利用更丰富的表征，例如在UK Biobank等多样化数据集上预先训练的自监督特征，可以显著提高老年人的HAR性能并缩小这一差距。
-
新AI工作室模仿人类学习进行活动识别
研究人员开发了代理启发式学习（AHL）工作室，这是一种新颖的人类活动识别（HAR）方法，与传统的基于梯度的神经网络训练不同。AHL工作室受到人类认知学习的启发，专注于记忆示例、形成规则和纠正错误，以创建可执行的启发式策略。该工具提供了从数据集观察到边缘部署的端到端HAR工作流程，从而产生了可检查和可编辑的无LLM策略，并在各种HAR基准测试中取得了出色的性能。
-
新框架利用虚拟IMU数据增强人体活动识别
研究人员开发了一个新的框架，用于利用可穿戴惯性测量单元（IMU）改进人体活动识别（HAR）。所提出的方法通过智能地用合成的虚拟样本增强现有数据集来解决标记IMU数据有限的挑战。这种覆盖感知的方法根据多样性和稀缺性选择和生成虚拟数据点，确保它们提供有意义的新信息和可靠的监督来训练HAR模型。
-
新分析揭示了人类活动识别中单个域泛化组件的收益有限
一项对智能手机端人类活动识别（HAR）域泛化（DG）技术的系统性分析显示，单个组件的收益有限。该研究进行了超过41万次实验，发现替代训练目标很少能持续优于经验风险最小化（ERM），而动态域泛化等架构修改则显示出独立的改进。然而，结合多个DG组件通常能产生更优的结果，尽管这些收益取决于具体的模型和数据偏移场景。研究还强调了当前性能与潜在收益之间存在显著差距，表明需要更好的模型选择策略。
-
HALO模型推动基于IMU的人类活动识别
研究人员开发了HALO，一种用于使用惯性测量单元（IMU）进行人类活动识别（HAR）的新型基础模型。HALO通过两阶段训练过程解决了传感异质性和泛化到未见活动方面的挑战。该模型整合了传感器的自然语言描述，并使用软对比学习与文本嵌入对齐，从而实现了开放集识别。在评估中，HALO在多个指标上均优于五个最先进的基线模型，在零样本开放集准确率方面提高了13.7个百分点，并且可训练参数数量明显少于一个名为MOMENT的可比模型。
-
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。