【例会】Activity Recognition Using Transfer Learning

图片1

 

 

 

 

 

 

 

 

 

 

 

主持人:赵春阳

参会老师:杨矫云

参会学生:程坤,李雨龙,刘硕,贵芳,郭思伊。

请假学生:殷越。

本次例会主要学习讨论了文章

Chen W H, Cho P C, Jiang Y L. Activity recognition using transfer learning[J]. Sensors and Materials, 2017, 29(7): 897-904.  被引用次数:5

背景

随着传感器技术和机器学习算法的进步,行为识别已成为近年来的一个活跃的研究课题。行为识别可以应用于辅助生活,人机交互和医疗保健等领域。在活动识别领域,大多数研究人员倾向于使用机器学习方法来解决活动识别问题。为了确定模型参数,在训练过程中需要收集足够的标记数据,大多数以往的研究中,通常假设来自新环境的传感器数据分布与模型在训练过程中保持一致。然而,这种假设在实际情况下往往并不成立。而在新环境中收集足够带有标记的传感器数据的代价很高。因此这些传统方法在跨域环境中不能很好地工作。

问题

如何能够在有大量原环境和少量新环境组成训练集的条件下,活动识别模型在新环境仍然有较好的识别能力?

假设

原环境和新环境下的行为规律存在共通之处,通过建立从原环境到新环境传感器特征的映射关系来实现跨域行为识别。

方法

在这项研究中,我们提出了一个迁移学习框架,它可以将源空间和目标空间中的特征映射来克服这个问题。

图片1

 

(1)特征选择

特征降维的过程是所提出的迁移学习框架的第一步。该过程应遵循两个规则:(1)每个特征将提供高度不同的信息,(2)尽可能将信息的损失最少。在这里我们使用特征选择来实现降维。

特征选择通过采用前向选择算法(或后向选择算法),来逐一选出合适的(或淘汰掉无效及冗余的)传感器。

(2)特征相似性

在测量特征相似性时,如果源特征和目标特征完全相同,则它们之间的相似性很容易计算。但是,实际情况下它们往往不同。

本文我们采用JS散度(JSD)来估计两个域特征之间的相似性。它是一种基于KL散度(KLD)的改进算法,解决KL散度的非对称和无界问题。JS散度是一种基于概率的算法,适用于测量两种概率分布。设P、Q为两个概率函数, R = (P+Q)/2。当P与Q完全相同的时候,JSD的值为0,反之为1。

在考虑活动标签的情况下,我们分别用不同的标签来计算JSD。将结果相加以估计两个传感器特征之间的整体JSD。如果我们假设F和G是两个传感器特征空间,我们可以用公式4计算JSD的期望值,其中Pi和Qm分别是fi∈F和gm∈G的分布,fi,gm分别是两个特征空间对应的传感器。Z是活动标签,ft是标签Z的概率分布函数。

图片2

 

(3)特征映射

特征映射的过程旨在通过找到具有最高值的相似性来配对源和目标特征之间的一对一链接。此问题可以转化为图形匹配问题。

在GS算法中,特征可以被视为婚姻关系。GS算法可以从关系中找到稳定的链接。我们将源域中的特征视为“男性”,将目标域中的特征视为“女性”。通过多轮的匹配,“男性”找到清单中最好的“女性”,“女性”经过对比选择最好的“男性”,映射关系最终得以成立。

最后,我们可以在源域和目标域中完成特征映射。

实验

在这项研究中,我们的实验采用了两个广泛使用的公开数据集:麻省理工学院(MIT)的MAS622J和Kasteren等人采用的数据集。

前者包含两个不同的环境,表示为MAS-S1和MAS-S2,活动记录表示为十六天,活动选择其中的5个。

第二个数据集包含三个房屋,表示为House-A,House-B和House-C。每个房子都有不同的布局,传感器亦不相同。我们在第二个数据集中选择了八个常见活动。

结果

对于MIT数据集,我们的方法在从数据集S1到数据集S2的映射中获得0.77的F-测量值,比0.66更精确。

在Kasteren数据集中。在House-A的情况下,分离的模型可以通过在每个房屋中考虑差异来调整模型参数以提高识别准确度,从而减少由活动模式和房屋布局的差异引起的误差。我们的方法的性能也显示出良好的结果。

在House-B的情况下,与Kasteren等人提出的模型相比,我们的框架在收集一天到五天的训练样本中获得了最佳性能。 House-B的布局包含可分离信息的细分。尽管我们的方法在数据不足的情况下具有比分离模型更好的性能,但是随着训练样本数量的增加,分离模型的性能逐渐提高。在这两种情况下,单个模型的识别准确度最差。

总结与展望

活动识别在智能家居,人机交互和老年人护理等领域起着重要作用。 在本次研究中,我们已经证明了迁移学习在智能家居环境中对活动识别的应用。 通过使用迁移学习,与仅使用源环境中的训练数据相比,我们可以利用减少数据标记和提高识别性能的优势。初步实验结果表明,与传统的监督学习模型相比,所提出的迁移学习框架可以在新环境中构建更好的识别模型。在未来的研究中,我们还会去参考其他的迁移学习方法来丰富我们的迁移行为识别框架。

 

 

anyShare分享到:
This entry was posted in 例会. Bookmark the permalink.

发表评论