交叉注意力增强的金字塔多尺度网络用于基于传感器的人类活动识别

科学领域:

• 计算机科学 计算机科学
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 人类活动识别 (HAR) 对医疗保健,智能家居和步态分析至关重要,深度学习显示出有前途.
• 在HAR中,一个关键的挑战是平衡识别精度和计算效率,特别是在移动设备上.
• 现有的模型经常在不增加计算负载的情况下努力改进特征表示.

研究的目的:

• 为人类活动识别 (HAR) 开发一种新的深度学习模型,以优化精度和计算效率之间的权衡.
• 为了增强功能表示能力,而不会增加移动应用程序的显著计算负担.

主要方法:

• 拟议的模型集成了一个金字塔多尺度卷积网络 (PMCN),用于丰富的多尺度特征提取.
• 采用交叉注意力机制来完善传感器,时间和通道维度之间的相互关系,增强相关信息.
• 该模型在四个不同的数据集上进行了评估:UCI,WISDM,PAMAP2和OPPORTUNITY.

主要成果:

• 新的HAR模型在多个数据集中实现了卓越的活动识别准确性.
• 该模型展示了低计算开销,使其适用于资源有限的环境.
• 废除和比较研究证实了拟议方法的有效性和效率.

结论:

• 开发的深度学习模型有效地解决了人类活动识别中的准确性-效率权衡问题.
• 集成PMCN和交叉注意力机制为高效和准确的HAR系统提供了一个有希望的方向.
• 该模型为在移动和边缘设备上部署先进的HAR功能提供了一个可行的解决方案.