10、深度学习在人类活动识别中的综合应用与挑战

深度学习在人类活动识别中的综合应用与挑战

1. 多分类器问题与分布差异

在人类活动识别中，多分类器的使用存在一些问题。当独立训练时，可能会产生相同或可比的基本分类器，而且基分类器的数量通常由人工预先确定，这会导致多分类器结构冗余，增加计算成本，无法满足人类行为识别的实时性要求。

同时，许多先进的人类活动识别方法假设测试集和训练集的数据是独立同分布的，但实际情况并非如此。传感器数据的分布差异可分为三类：
- 用户差异 ：不同人的活动模式不同，同一活动会产生不同的模式。
- 时间差异 ：动态流环境中活动的数据分布随时间变化，可能会出现新的活动。
- 传感器差异 ：微小的传感器变化就可能严重干扰感官数据，环境中传感器的实例、类型、位置和布局等方面都可能导致差异。

2. 复合活动识别

目前大部分研究集中在简单活动，如“行走”“站立”“慢跑”等，这些活动具有较低层次的语义。而复合活动，如工作、吃晚餐、煮咖啡等，由一系列简单动作组成，具有更高层次的语义，能更好地代表人们的日常生活。

识别复合活动比检测基本活动更具挑战性，因为它不仅需要人体动作信息，还需要周围环境的背景信息。目前有两种研究方向：
- 融合模型 ：尝试开发单一模型，通过结合简单和复杂活动来区分它们。例如，有研究使用四种不同的深度学习模型，还有研究使用两层分类算法来识别这两种活动。
- 层次模型 ：将复合活动与基本活动分离，以层次方式根据一系列基本活动