学习笔记

问题： 活动段 不一致的问题、单输入 不足 以从原始数据中 提取特征 的问题 如何解决： 构建了一个 多尺度输入 模块来弥补 填充引起的噪声、手动设计结合 正 向序列和 反 向序列的聚合特征，并使用五个交叉验证和分层抽样来提高模型的泛化能力、根据任务的特殊性，设计了一个结合场景和动作权重的评价指标，在很大程度上丰富了模型的学习能力 应用本文的方法后的提升： 在基于场景+动作的19种活动数据中，准确性和鲁棒性显著提高，优于其他主流传统方法 创新点： 多尺度和双向输入：模型能够处理不同尺度的活动序列，并通过双向

问题：由于室内场景的复杂性和多样性，在不同的室内场景中，人们对行为和动作的识别会有很大的偏差如何解决：本文结合无监督域自适应思想，利用KNN、SVM、FCN等技术建立人体活动识别模型，从而提高活动识别的准确率应用本文的方法后的提升：应用无监督域自适应后，各模型的性能均有较大提高，其中SVM模型的准确率达到90.8%，F1score达到90.4%；借助该模型，可以在养老院、康复病房等室内场景中快速准确地识别用户行为，为老年人、患者等弱势群体的日常活动提供有效保障，具有广阔的行