Continuous Human Activity Recognition in IoT Environments With BAOA and AFSG-TPD GANs
Notice bibliographique
Résumé
We propose a method for recognizing continuous indoor daily human activities among continuous indoor Internet of Things (IoT) smart environments using millimeter wave radar. Focusing on the following problems: 1) transition errors due to random transitions between actions during continuous action recognition and 2) the time-consuming and labor-intensive factors on radar data acquisition for continuous human actions make it difficult to consider all action sequences, and the network suffers from catastrophic degradation of the recognition performance when faced with completely new human action sequences. A bounding adaptive optimization algorithm based on interlacing error (BAOA) and a generative adversarial network based on adaptive feature selection generator and temporal patch discriminator (AFSG-TPD GAN) are proposed. BAOA is used to accurately segment the existing action sequences to obtain a single action dataset of random duration, synthesize the data used to train the AFSG-TPD GAN, generate new action sequences, and train the recognition network to improve generalization performance. After the comparison test, BAOA increases the average accuracy by 3.91% compared to the state-of-the-art (SOTA) method. Meanwhile, the network trained with the data generated by the AFSG-TPD GAN overcomes the problem of catastrophic degradation of the recognition performance when confronted with brand new human action sequences in real-world tests, and the average accuracy is improved from 65.01% to 94.85%.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».