MF-Match:人类行动识别的半监督模型
1School of Information and Communication Engineering, Beijing Information Science and Technology University, Beijing 100101, China.
Sensors (Basel, Switzerland)
|August 10, 2024
概括
本研究介绍了MF-Match,这是一种使用雷达进行人类行动识别 (HAR) 的半监督学习算法. 它有效地使用未标记的数据来提高准确性,解决基于雷达的HAR中的数据稀缺性挑战.
科学领域:
- 雷达信号处理是指处理雷达信号的过程.
- 机器学习用于传感.
- 人与计算机的互动.
背景情况:
- 使用雷达的人类行动识别 (HAR) 提供了保护隐私的,独立于照明的非接触式传感.
- 对于HAR的深度学习模型需要大型标记数据集,而雷达数据很少.
- 这种数据稀缺性阻碍了基于雷达的HAR技术的进步.
研究的目的:
- 为了应对基于雷达的HAR中有限的标记数据的挑战.
- 提出一个半监督学习算法,利用未标记的雷达数据.
- 提高人类行动识别模型的准确性和稳定性.
主要方法:
- 开发了MF-Match,这是一个半监督的算法,用于生成无监督雷达数据的伪标签.
- 集成的对比学习来完善伪标签的质量并最大限度地减少错误标签的影响.
- 应用算法从雷达信号中提取嵌入式人类行为信息.
主要成果:
- 在两个雷达数据集上实现了86.69%和91.48%的高动作识别准确度.
- 使用仅10%的标记数据证明有效性,显著减少数据要求.
- 验证了算法的能力来提高HAR性能,尽管有限的标记数据.
结论:
- 在基于雷达的HAR中,MF-Match有效地克服了数据稀缺的问题.
- 拟议的方法通过使用未标记的数据和对比学习来提高HAR的准确性.
- 这种方法显著提高了基于深度模型的大规模HAR系统的可行性.


