人类活动识别在各种数据模式上的综合方法调查
Jungpil Shin1, Najmul Hassan1, Abu Saleh Musa Miah1
1School of Computer Science and Engineering, The University of Aizu, Aizuwakamatsu 965-8580, Japan.
Sensors (Basel, Switzerland)
|July 12, 2025
概括
本调查回顾了机器学习和深度学习用于人类活动识别 (HAR),使用2014-2025年的各种数据类型. 它详细介绍了单模和多模技术,融合方法以及未来的研究方向.
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) 系统对于理解人类行为至关重要.
- 哈尔利用RGB,骨架,音频和雷达信号等多种数据模式.
- 关于不同模式的各种HAR方法,已有大量的研究.
研究的目的:
- 从2014年到2025年,对HAR的最新进展进行全面的调查.
- 专注于机器学习 (ML) 和深度学习 (DL) 技术.
- 根据输入数据模式对方法进行分类.
主要方法:
- 英语同行评审研究论文的审查.
- 根据单模和多模技术对HAR方法的分类.
- 分析基于融合和共同学习的框架,手工制作的功能,人对象交互识别和活动检测.
主要成果:
- 每种模式的详细数据集描述.
- 最新的HAR系统的总结及其对基准数据集的比较结果.
- 为每个模式评估深度学习模型的数学导数.
结论:
- 识别当前HAR研究中的趋势和挑战.
- 建议在HAR领域有效的未来研究方向.
- 强调多模式和先进的DL技术对于提高HAR性能的重要性.
更多相关视频
11:21Methodology for Establishing a Community-Wide Life Laboratory for Capturing Unobtrusive and Continuous Remote Activity and Health Data
Published on: July 27, 2018
8.3K
06:37Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention
Published on: December 15, 2023
4.1K
