ترجمه فارسی مقاله یادگیری خود نظارتی ضعیف مبتنی بر سازگاری برای شناسایی فعالیت های انسانی با ابزارهای پوشیدنی

چکیده

While the widely available embedded sensors in smartphones and other wearable devices make it easier to obtain data of human activities, recognizing different types of human activities from sensor-based data remains a difficult research topic in ubiquitous computing. One reason for this is that most of the collected data is unlabeled. However, many current human activity recognition (HAR) systems are based on supervised methods, which heavily rely on the labels of the data. We describe a weakly self-supervised approach in this paper that consists of two stages: (1) In stage one, the model learns from the nature of human activities by projecting the data into an embedding space where similar activities are grouped together; (2) In stage two, the model is fine-tuned using similarity information in a few-shot learning fashion using the similarity information of the data. This allows downstream classification or clustering tasks to benefit from the embeddings. Experiments on three benchmark datasets demonstrate the framework’s effectiveness and show that our approach can help the clustering algorithm achieve comparable performance in identifying and categorizing the underlying human activities as pure supervised techniques applied directly to a corresponding fully labeled data set.

چکیده به فارسی (ترجمه ماشینی)

در حالی که سنسورهای تعبیه شده به طور گسترده در تلفن های هوشمند و سایر دستگاه های پوشیدنی ، دستیابی به داده های فعالیت های انسانی را آسان تر می کنند ، شناخت انواع مختلف فعالیت های انسانی از داده های مبتنی بر سنسور ، یک موضوع تحقیق دشوار در محاسبات همه جا است.یکی از دلایل این امر این است که بیشتر داده های جمع آوری شده بدون برچسب است.با این حال ، بسیاری از سیستم های فعلی شناخت فعالیت انسانی (HAR) مبتنی بر روشهای نظارت شده است که به شدت به برچسب های داده ها متکی هستند.ما یک رویکرد ضعیف خودکشی را در این مقاله توصیف می کنیم که از دو مرحله تشکیل شده است: (1) در مرحله اول ، این مدل از ماهیت فعالیت های انسانی با طرح ریزی داده ها در یک فضای تعبیه شده که فعالیت های مشابه در کنار هم قرار می گیرند ، می آموزد.(2) در مرحله دوم ، این مدل با استفاده از اطلاعات شباهت در چند شیوه یادگیری چند شات با استفاده از اطلاعات شباهت داده ها تنظیم می شود.این امر به طبقه بندی پایین دست یا کارهای خوشه بندی اجازه می دهد تا از تعبیه ها بهره مند شوند.آزمایشات روی سه مجموعه داده معیار اثربخشی چارچوب را نشان می دهد و نشان می دهد که رویکرد ما می تواند به الگوریتم خوشه بندی کمک کند تا در شناسایی و طبقه بندی فعالیتهای اساسی انسانی به عنوان تکنیک های نظارتی خالص که مستقیماً در یک مجموعه داده کاملاً دارای برچسب مورد استفاده قرار می گیرد ، به عملکرد قابل مقایسه ای برسد.