人类活动识别与噪音注入时间分布的AlexNet
Sanjay Dutta1, Tossapon Boongoen1, Reyer Zwiggelaar1
1Department of Computer Science, Aberystwyth University, Ceredigion SY23 3DB, UK.
Biomimetics (Basel, Switzerland)
|September 26, 2025
概括
这项研究通过将生物启发的噪音注入集成到时间分布的AlexNet模型中来增强人类活动识别 (HAR). 这种方法可以提高系统的准确性和可靠性,用于现实世界的应用.
科学领域:
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
- 生物启发的计算技术
背景情况:
- 人类活动识别 (HAR) 对于医疗保健,安全和智能环境中的应用至关重要.
- 传统的AlexNet架构是为静态图像设计的,需要适应时间视频数据.
- 过度装配和糟糕的泛化限制了时间分布的AlexNet模型在HAR中的性能.
研究的目的:
- 为了提高HAR系统的性能和稳定性.
- 将生物启发的噪音注入与时间分布的AlexNet架构集成.
- 评估噪音注入对模型准确性,稳定性和整体性能的影响.
主要方法:
- 适应了使用时间分布式方法进行视频分类的AlexNet架构.
- 在训练期间输入级别内置高斯式噪声注入,灵感来自生物感官处理.
- 在EduNet,UCF50和UCF101数据集上进行实验,以评估模型性能.
主要成果:
- 生物启发的注入噪音的时间分布式AlexNet实现了91.40%的准确性和92.77%的F1得分.
- 拟议的模型在测试数据集上表现优于现有的最先进模型.
- 超参数调整,特别是学习率优化,改善模型稳定性和减少结果差异.
结论:
- 噪音注入和时间分布式架构的战略组合显著提高了HAR的概括性和稳定性.
- 这种方法为现实世界的HAR提供了一条通往资源高效和可部署的深度学习系统的途径.
- 生物启发的噪音注入是一种有效的技术,用于增强深度学习模型在动态环境中的性能.