PALM: Personalized Active Learning for mmWave-Based Activity Recognition
Notice bibliographique
Résumé
Human activity recognition (HAR) plays a crucial role in enhancing human safety and well-being, with applications ranging from dietary management to driver monitoring. Millimeter-wave (mmWave) radars have emerged as a promising technology for HAR due to their ability to capture fine-grained activities without the inconvenience associated with wearable sensors or the potential privacy issues posed by vision-based sensors. In this article, we introduce personalized active learning for mmWave (PALM). Built upon our previously proposed dynamic point cloud recognizer (DPR), PALM addresses the challenge of cold start for new users by utilizing uncertainty to selectively query the user about the most informative samples while training a personalized model. Experiments on our food intake activity dataset (FIAD) demonstrate that PALM attains 91.08% accuracy over a two-week active learning period, surpassing the baseline and alternative uncertainty quantification methods. Furthermore, leveraging transfer learning from our driver activity dataset (DAD), PALM achieves a 9.87% higher accuracy and 19.48% improvement in area under the curve (AUC) compared to the baseline model trained from scratch. These results highlight PALM’s effectiveness in personalizing HAR models while minimizing labeling effort, making it suitable for widespread deployment in real-world applications. In addition, we show that DPR outperforms state-of-the-art voxelization-based methods, achieving a 4.10% increase in accuracy while reducing memory consumption by 78.29% and inference time by 69.64%, leading to resource efficiency.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».