Deep Semi-supervised Network in Activity Recognition Using Wearable Sensor Data

論文翻譯標題: 半監督式深度神經網路於穿戴式裝置之動作辨識
  • 陳 佑鑫

學生論文: Doctoral Thesis

摘要

穿戴式裝置中的動作辨識主要透過萃取三軸加速度器和陀螺儀中的資料特徵進行動作分類。然而在資料蒐集過程中,傳統標籤方法多半透過影像資訊再經由人工進行比對標記,其所耗費的時間和成本皆非常地高。同時,感測器蒐集而來的訊息容易存在大量的雜訊,進而影響特徵工程的效能與效率。因此,本研究利用半監督式機率生成模型結合深度神經網路將資料進行動作分類;該方法可以使分類模型在有限的標籤資料下,仍然達到良好的分類水準。在特徵提取階段,深度神經網路中的變分自動編碼器(Variational Autoencoder VAE)產生原始資料降維後之隱性特徵,並利用該隱性特徵來輔助深度神經網路模型的分類。對於未標籤資料,將隱性特徵與未知動作標籤視為兩組機率圖模型中的隱含變數;對於已標籤資料,將隱性特徵與動作標籤之先驗機率分配視為兩組機率圖模型中的隱含變數。接者利用變分推估(Variational Inference)來近似貝氏統計中的後驗機率,透過迭代逐步調升目標式的變分下界(Evidence of Lower Bound ELBO)來達到期望值最大化(Expectation-Maximization)。本研究實驗三組公開資料集,實驗結果顯示20%以上的標籤樣本下,該方法即達到相當程度競爭性的分類水準。
獎項日期2019
原文English
監督員Ren-Shiou Liu (Supervisor)

引用此

'