Permalink
Switch branches/tags
Nothing to show
Find file Copy path
Fetching contributors…
Cannot retrieve contributors at this time
31 lines (30 sloc) 8.2 KB

迁移学习用于行为识别文章总结

编号 迁移方法 数据集 对比方法 实验方法 文章
1 Adaptive Multiple Kernel Learning (A-MKL)加上SVM。用pyramid match算法,首先将两条视频的距离降到最短,然后用若干个kernel SVM去学习 (1) Kodak Consumer Video Benchmark Data(2) 从youtube上下载的部分web video 1.Adaptive-SVM,2.domain transfer SVM,3.multiple kernel learning 从第一部分video向第二部分迁移 Visual event recognition in videos by learning from web data
2 Importance weighted least-squares probabilistic classifier (IWLSPC)。一中基于adaptive采样的概率方法。Instance transfer【有源代码】 Alkan加速度数据集:由ipod touch收集,有手中的有口袋里的。计算时提取了与位置无关的特征(均值、方差等5个). LapRLS+CV LapRLS+IWCV KLR+CV IWKLR+IWCV LSPC+CV IWLSPC+IWCV 2000个labeled数据,800个无label数据 Importance weighted least-squares probabilistic classifier for covariate shiftAdaptation with application to human activity recognition
3 Cost sensitive的boosting方法。目标是,给定同分部和不同分布的样本,预测同分布的部分的精确度。 2轴加速度计,在实验室和家里分别收集5种手势。 AdaBoost,TrAdaBoost 把数据分成两个环境都有的几部分,然后根据现有的两种环境数据去预测其他的 Cost-sensitive Boosting for Concept Drift
4 TrAdaBoost:减少对不同分布数据的权重。解决问题:少量有label数据,分为同分布和不同分布的部分,去预测一个无label数据 新闻数据集3个 TSVM。SVM 不同的3个数据集之间迁移 Boosting for Transfer Learning
5 用可调整权重的SVM Youtube的视频数据 用户评价参与度 分成两部分进行迁移,正常迁移 Interactive Event Search Through Transfer Learning
6 用两个不同domain的label信息的相似度去获取两个domain样本的相似度。Label信息相似度由web search获取。然后用一个加权SVM去做。 1. Amsterdam数据集(1个人生活,14个状态传感器)2. MIT PLIA13. Intel 没有方法对比,仅多做了MMD和余弦相似度的对比 每一个数据集中,一部分label迁移到另一部分label Cross-Domain Activity Recognition
7 用基于HMM的迁移学习模型去做迁移。将两个房子的传感器进行映射,然后用EM算法去学习HMM的参数。 2个房子的数据 没有方法对比 一个迁移到另一个 Recognizing Activities in Multiple Contexts using Transfer Learning
8 可以对特征空间、特征分布、label空间的不同做迁移。用概率的方法,把问题分成两个部分。 1.MIT数据集,2。1个人房子数据 对比了不同参数下的精度 一个迁移到另一个 Transfer Learning for Activity Recognition via Sensor Mapping
9 用二部图的匹配进行迁移,挖掘图像的高层特征,这些特征可以被共享。 图像数据IXMAS多视角数据 不同的其他三种cross view方法 一个视角迁移到另一个 Cross-View Action Recognition via View Knowledge Transfer
10 针对特征分布不一样的问题,用特征迁移,不需要label,把两部分映射到一个重构希尔伯特空间中最小化两都之间的距离 Wifi定位 KPCA、KMM 不同的设置相互迁移 Domain adaptation via transfer component analysis
11 用ISOMAP,将source和target降维到同样的空间,然后选择置信度最高的标签进行 SEMG数据 KE、TCA、LWE SEMG数据的迁移 Topology Preserving Domain Adaptation for Addressing Subject Based Variability in SEMG Signal
12 用了层次化的复杂行为感知。先感知低层次的行为,做准确识别,然后将这些低层次行为进行组合,识别高层的行为。与HMM结合。 1.BookShelf数据,人身上安装3个传感器进行安装书架,2.Mirror数据 在bookshelf中识别简单子行为,在mirror数据进行迁移复杂行为 没有对比 Remember and Transfer what you have Learned �Recognizing Composite Activities based on Activity Spotting
13 用HMM算法来做迁移。迁移的是meta-feature 3个房间的生活数据 不同的房间相互迁移 Meta-feature和sensor-feature的对比、迁移与不迁移的对比 Transferring Knowledge of Activity Recognition across Sensor Networks
14 把行为建模成传感器、时间、空间模型,然后进行source和target中传感器的映射 3个房间的数据 不同的房间相互迁移 不同数量的target data标记的对比 Activity Recognition Based on Home to Home Transfer Learning
15 多类SVM进行迁移 几个房间不同人动作的数据视频 不同camera相互迁移 不同增量数量的对比 Transferring Activities: Updating Human Behavior Analysis
16 第1步:用label数据训练一个模型,第2步:用这个模型去分类unlabeled数据,第3步:用这些数据反过来调整模型a,使得其适应unlabeled数据,形成模型b,对B进行下采样,用A进行预测,有了标签之后进行聚类,就有了label 不同手机的数据 不同采样率 不同采样率 Cross-mobile ELM based Activity Recognition
17 用了一个决策树先对第一个人训练一个模型,然后识别第二个人,进行聚类 10个人用同样的手机 SVM、NB 不同人之间 Cross-People Mobile-Phone Based Activity Recognition
18 针对源和目标都无label的情况,利用彼此之间的知识训练3个聚类算法,精度很不错 图像数据 Co-clustering 不同图像 Self-taught clustering
19 从无label数据中自学习 图像、文本等 PCA 不同域之间 Self-taught Learning: Transfer Learning from Unlabeled Data
20 无监督的迁移降维方法 人脸识别 LWF,PCA,LPP,DisKmeans 不同人脸之间 Transferred Dimensionality Reduction
21 用markov logic进行迁移,属于关系之间的迁移 蛋白质和社交网络 几种不同的参数设置 不同数据集之间 Deep Transfer via Second-Order Markov Logic
22 用构造方法对新来传感器迁移已经学习到的模型 自己采集的动作数据 KNN、SVM 新来的传感器 Automatic transfer of activity recognition capabilities between body-worn motion sensors: training newcomers to recognize locomotion
23 用GMM对数据进行建模,然后进行GMM参数的迁移 图像数据集 一些已有的方法 不同数据集之间 Cross-Dataset Action Detection
24 用EM和CRF做迁移 生理数据辅助进行行为识别 一些已有的基于CRF的方法 不同数据之间 Activity Recognition from Physiological Data using Conditional Random Fields
25 用的RBM,不同的特征空间进行迁移 行为数据和文本数据 SCL 文本数据辅助行为识别 Heterogeneous Transfer Learning with RBMs
26 用了NB和SVM混合,对new user有比较好的预测精度。 自己收集的28个人数据 NB、SVM 新来人的行为预测 Hong J H, Ramos J, Dey A K. Toward Personalized Activity Recognition Systems With a Semipopulation Approach[J]. IEEE Transactions on Human-Machine Systems, 2016, 46(1): 101-112.
27 深度迁移学习方面的第一篇文章 OPP、Skoda 不同用户、不同设备、不同位置等行为预测 Morales F J O, Roggen D. Deep convolutional feature transfer across mobile activity recognition domains, sensor modalities and locations[C]//Proceedings of the 2016 ACM International Symposium on Wearable Computers. ACM, 2016: 92-99.