通过BEE通过可穿戴传感器改进人类活动识别:利用早期退出和梯度提升
概括
这项研究引入了一个动态深度网络,以更快地识别人类活动 (HAR). 它优化了内部分类器,以提高准确性和速度的权衡,在多个基准上表现优于以前的方法.
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:
- 深度神经网络中的早期退出通过在浅层使用内部分类器加速活动推断.
- 现有的方法通常均等优化所有分类器,导致训练测试数据分布不匹配和低于最佳性能.
研究的目的:
- 为了解决在早期退出网络中对活动识别的统一分类器优化的局限性.
- 提出一种新的动态深度网络架构,以提高人类活动识别的准确性和速度的权衡.
主要方法:
- 将分类器组织成一个动态深度网络,并通过渐变增强方法共同优化它们.
- 实施梯度重新调整,以在不同深度下稳定训练分类器.
- 使用预测重权来优先考虑更深层次的分类器并减轻数据稀缺性.
主要成果:
- 拟议的动态深度网络在多个人类活动识别基准 (UCI-HAR,PAMAP2,UniMiB-SHAR,USC-HAD) 上实现了最先进的准确性和速度.
- 通过全面的实验和在基于ARM的移动设备上的现实世界的实施来证明有效性.
结论:
- 动态深度网络有效地解决了早期退出模型中的训练测试数据分布不匹配问题.
- 这种方法为人类活动识别任务的准确性和计算效率提供了显著的改进.
