人类活动识别中的深度强化学习:一项调查和展望

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 人类活动识别 (HAR) 对于监控和人机交互等智能系统至关重要.
• 深度增强学习 (DRL) 正在成为HAR任务的强大技术.
• 基于DRL的HAR是一个具有重大潜力的新和具有挑战性的研究领域.

研究的目的:

• 为现有的基于DRL的HAR方法提供全面的调查.
• 根据它们的目标和DRL框架整合来分类这些方法.
• 为了确定DRL对HAR的关键挑战和未来研究方向.

主要方法:

• 基于DRL的HAR文献的系统审查和分类.
• 分析如何使用DRL解决不同的HAR目标.
• 在DRL中确定HAR的共同主题和方法.

主要成果:

• 基于DRL的HAR方法按目标和DRL应用的分类.
• 概述DRL在活动识别方面的现状.
• 识别研究缺口和机会.

结论:

• DRL为推进HAR能力提供了有前途的途径.
• 需要进一步的研究来应对基于DRL的哈尔的当前挑战.
• 这项调查是未来在这一领域工作的基础资源.