code8的博客

本文提出了一种基于实体增强双塔神经网络的用户友好型药物映射方法，旨在帮助非医学背景的患者更准确地匹配描述性药物短语（DMP）与标准化药物名称（SMN）。研究设计了药物推断模型（MIM），通过分别编码DMP和SMN，并结合医学实体提取技术，显著提升了药物匹配的准确率。此外，模型还支持药物聚类功能，能够将具有相似疗效或治疗目标的药物归为一组，为患者沟通和医生决策提供支持。实验结果表明，MIM相较于现有模型在准确率和延迟方面均表现出色，具有广泛的应用前景。

本文提出了一种基于全卷积网络（FCN）和嵌入编码的智能家居人类活动识别（HAR）方法。通过将传感器事件转化为NLP中的单词，并利用基于频率编码的嵌入层，结合FCN结构进行分类，实验证明该方法在两个真实数据集（ARUBA和MILAN）上具有优异性能，尤其在小窗口尺寸下表现突出，适用于实时在线识别。

本博客探讨了动态手势识别和智能家居活动识别的模型优化方法与应用。在动态手势识别方面，研究了模型微调的策略，包括批量大小、学习率以及微调早期层对模型性能的影响，发现较小的学习率和适当的批量大小能够提升模型收敛性和个性化效果。在智能家居活动识别方面，提出了一种结合自然语言处理（NLP）和时间序列分类（TSC）的新方法，通过数据编码、滑动窗口分割、嵌入处理和全卷积网络（FCN）分类，提高了活动识别的准确性和鲁棒性。此外，博客还分析了方法的优势，并展望了其在虚拟现实、智能家居等领域的应用前景。

本文研究了动态手势识别中基于深度神经网络的个性化模型微调的有效性。通过收集11名用户的专属手势数据集，并对四种轻量级卷积神经网络架构进行实验，研究发现微调早期层可以显著减少所需调整的参数数量，同时提升模型准确率。此外，每个手势类别仅需少量用户特定样本（如1-2个）即可实现性能提升，且小批量大小（如2或4）在微调过程中表现出良好的收敛性。这些发现表明，微调是一种在设备上训练个性化视频识别模型的高效方法，能够有效提升用户体验。

本文介绍了一种创新的视频流单运行动作检测器S-RAD，其通过一体化网络设计和高效的时间移位块（TSM），实现了在边缘设备上的实时、准确动作检测。S-RAD不仅解决了传统方法在计算成本、隐私保护和实时性方面的局限，还在多个数据集上展示了卓越的性能表现，包括UCF-Sports和UR Fall数据集。其应用涵盖医疗保健、公共安全、体育分析等多个领域，具有广泛的前景。

本文探讨了计算机视觉领域中两个重要且具有挑战性的研究方向：暗光环境下的动作识别与实时隐私保护动作检测技术。针对暗光环境下视频亮度低、对比度低的特点，研究分析了多种动作识别模型在ARID数据集上的表现，并评估了不同帧增强方法对识别准确率的影响。结果表明，3D-ResNext-101模型在未增强数据上表现最佳，而GIC帧增强方法在提升识别准确率方面效果最好。此外，本文介绍了S-RAD实时隐私保护动作检测技术，其基于Faster-RCNN结合时间移位建模，能够在嵌入式设备上实时运行，同时保护用户隐私。文章总结了当

本文介绍了首个专注于黑暗环境下人类动作识别的数据集ARID，详细描述了其动作类别、数据收集过程和基本统计信息。通过使用3D-CNN模型进行实验，研究了当前动作识别方法在黑暗视频中的表现，并探讨了多种帧增强方法对识别效果的影响。此外，还对ARID数据集进行了统计和视觉分析，揭示了真实黑暗视频与合成黑暗视频之间的差异，并为未来黑暗环境下的动作识别研究提供了方向。

本博客介绍了一种面向人类活动识别的联邦学习框架，旨在解决异构标签和模型架构带来的挑战。通过模型蒸馏更新和加权α更新两种方法，结合全局和本地数据的优势，显著提高了识别准确率。实验表明，该框架在资源受限的设备（如Raspberry Pi 2）上也具备良好的性能和可行性，为物联网和移动设备上的实时活动识别提供了有效解决方案。

本文探讨了两种提升人类活动识别（HAR）性能的新方法。第一部分提出了一种基于FID分数的个性化模型，利用最近FID邻居和FID图聚类方法，从少量测试用户数据中识别相关社区，从而构建高效用户自适应模型。第二部分介绍了一个支持异构标签和模型的联邦学习框架，适用于资源受限设备，通过模型蒸馏更新和加权α更新策略，有效处理非独立同分布数据并提升识别准确率。研究表明，这些方法能够在数据量小、设备受限的情况下实现高效的个性化HAR解决方案。

本博文探讨了在手部活动识别中应用基于2D-CNN GAN的数据增强方法以及基于分布匹配指标的个性化模型。数据增强方法通过生成保留跨轴相关性的合成数据，有效提升了分类器性能；个性化模型利用Frechet Inception Distance（FID）度量用户相似性，构建测试用户所属社区，从而训练更适应个体差异的模型。实验表明，两种方法在多个公开数据集上均显著优于传统全局模型，并具备良好的鲁棒性和可扩展性。未来的研究方向包括更高效架构的探索、多模态数据融合及实时识别应用的优化。

本文提出了一种基于生成对抗网络（GAN）的方法，用于传感器手部活动识别任务中的数据增强，旨在解决细粒度手部动作识别中数据稀缺的挑战。通过采用二维卷积层结构，模型能够有效捕捉加速度计三个轴的时间序列数据之间的内在相关性，并学习多尺度特征。实验结果表明，使用生成的合成数据增强训练集显著提高了分类器的测试准确性。此外，本文还通过轴方向热图和分类器注意力解释对合成数据进行了可视化和特征分析，进一步验证了方法的有效性。

本文探讨了基于轮椅加速度信号的人行道可达性评估方法，比较了多种监督、弱监督和自监督机器学习方法的效果。通过使用卷积神经网络（CNN）、弱监督的位置预测网络（PosNet）和自监督的卷积变分自编码器（ConvVAE），从轮椅的加速度数据中提取道路表面状况的知识，以评估人行道的可达性。研究证明，这些方法在不同标记数据条件下均能有效识别道路障碍，为无障碍环境评估提供了新的技术路径。

本文提出了一种基于深度神经网络的轮椅行为识别系统，旨在通过分析轮椅加速度信号来评估和可视化人行道的可达性。研究利用监督卷积神经网络（CNN）模型分类路面状况，结合弱监督学习方法减少数据标注需求，并通过自监督变分自动编码器（VAE）模型评估人行道障碍程度。实验结果验证了所提方法的有效性，为行动不便者提供了更精准的导航与可达性信息，同时为未来无障碍环境建设提供了技术基础。

本文探讨了基于可穿戴传感器的人体活动识别（HAR）方法，并详细分析了多种技术，包括手工特征方法、基于CNN的方法、LSTM-CNN方法和CNN-LSTM方法。通过实验在多个公开数据集上的表现，提出了一种轻量级的混合方法，结合手工特征提取和神经网络架构，在MHealth、USCHAD、UTD-1和UTD-2数据集上展现出优越的泛化能力和识别准确率。同时，分析了该方法在不同验证方式下的表现以及其在低采样率数据集上的局限性。研究为HAR领域的进一步发展提供了有价值的参考。

本文综述了人类活动识别（HAR）技术的研究进展，重点介绍了基于可穿戴传感器、视觉和自然语言处理的方法。文章涵盖了常用数据集（如MHealth、USC-HAD等）及其预处理方法，并比较了传统机器学习、深度学习和混合方法的性能。此外，还探讨了数据增强、个性化识别、多模态融合等未来研究方向。研究表明，深度学习及混合方法在HAR任务中表现出优越性能，未来技术将在更多实际场景中得到应用。