10、深度学习在人类活动识别中的应用综述

深度学习在人类活动识别中的应用综述

1. 人类活动识别面临的挑战

在人类活动识别（HAR）领域，存在着诸多挑战，这些挑战影响着识别的准确性、效率以及实用性。

1.1 分类器冗余问题

当使用独立训练时，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。

1.2 分布差异

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（i.i.d.）的，但实际情况并非如此。活动识别的训练数据和测试数据具有不同的分布，主要有以下三类原因：
- 用户差异 ：不同人的活动模式不同，导致同一活动在不同人身上有不同的模式。
- 时间差异 ：在动态流环境中，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 ：用于检测人类活动的传感器很敏感，传感器的微小变化都会显著干扰传感数据。环境中传感器的实例、类型、位置和布局等方面都可能导致传感器数据的差异。

差异类型	原因	影响
用户差异	不同人活动模式不同	同一活动产生不同模式
时间差异	数据