钻石网:基于神经网络的异质传感器注意力融合,用于识别人类活动

科学领域:

• 计算机科学 计算机科学
• 机器学习 机器学习
• 信号处理 信号处理

背景情况:

• 移动设备中的智能传感器可以实现个性化应用.
• 现有的人类活动识别 (HAR) 方法难以利用各种传感器类型的语义特征.

研究的目的:

• 开发一种新的HAR框架,即DiamondNet,用于从异质多传感器数据中有效地提取和融合特征.
• 解决当前HAR算法在利用多传感器信息方面的局限性.

主要方法:

• 采用多个1D卷积无解自编码器 (1-D-CDAEs) 进行强大的特征提取.
• 引入了基于注意力的图形卷积网络来建模传感器间的关系.
• 采用了一个专注的融合子网,具有全球关注和浅功能,用于功能校准.

主要成果:

• 钻石网在三个公共数据集上表现出卓越的表现.
• 与最先进的基线相比,实现了显著和一致的准确性改进.
• 验证了框架能够提供全面和强大的HAR感知的能力.

结论:

• 钻石网通过有效地整合多种传感器模式,为HAR提供了一个新的视角.
• 拟议的框架通过先进的功能融合和注意力机制显著提高了HAR性能.