SelfAct：基于自监督和主动学习的个性化活动识别

​

SelfAct: Personalized Activity Recognition based on Self-Supervised and
Active Learning

解决问题：本文旨在解决传感器数据的人类活动识别（HAR）需要大量标记数据的问题，同时需要为每个用户个性化定制活动模型的问题。

关键思路：本文提出了一种新的HAR框架SelfAct，它结合了自监督和主动学习的方法，以解决上述问题。SelfAct利用从许多用户收集的大量未标记数据通过自监督进行预训练，旨在学习传感器数据的有意义和高效的潜在表示。新用户可以使用这个经过预训练的模型，通过一种新颖的无监督主动学习策略对其进行微调。与完全监督方法相比，SelfAct在少量主动学习查询的情况下实现了接近甚至更好的结果。

其他亮点：本文的实验基于两个公开可用的HAR数据集进行，证明了SelfAct的有效性。本文的无监督主动学习策略在HAR领域中是一种新的思路，值得深入研究。本文没有提供开源代码。

关于作者：Luca Arrotta, Gabriele Civitarese, Samuele Valente, Claudio Bettini是意大利Pisa大学的研究人员。他们之前的代表作包括：Luca Arrotta曾发表过“Unsupervised Learning for Human Activity Recognition on Mobile Devices”；Gabriele Civitarese曾发表过“Activity Recognition on Smartphones via Sensor-Fusion and Deep Learning”，Samuele Valente曾发表过“Unsupervised Deep Learning for Human Activity Recognition with Smartphone Sensors”；Claudio Bettini曾发表过“Privacy-Preserving Activity Recognition on Smartphones”。

相关研究：近期其他相关的研究包括：1）“Sensor-based Human Activity Recognition using Deep Learning: A Survey”（Yao et al.，中国科学院）；2）“Human Activity Recognition with Wearable Sensors using Deep Learning Methods: A Systematic Review”（Khan et al.，新加坡国立大学）；3）“Personalized Human Activity Recognition using Convolutional Neural Networks”（D’Angelo et al.，意大利卡塔尼亚大学）。

论文摘要：本文提出了一种名为SelfAct的新型人体活动识别框架，它结合了自监督和主动学习来解决传统监督深度学习模型训练需要大量标记数据的问题。SelfAct利用从多个用户收集的大量未标记数据进行自监督预训练深度学习模型，以学习传感器数据的有意义且高效的潜在表示。新用户可以使用这个预训练模型，并通过一种新颖的无监督主动学习策略对其进行微调。在两个公开可用的人体活动识别数据集上的实验表明，SelfAct可以通过少量主动学习查询实现接近或甚至优于完全监督方法的结果。由于活动执行的内部和间变性，活动模型应该针对每个用户进行个性化。

​Read More