Transfer Learning in Human Activity Recognition: A Survey

要約

センサーベースの人間活動認識 (HAR) は、スマート環境、生活支援、フィットネス、ヘルスケアなどへの応用により、活発な研究分野となっています。最近では、深層学習ベースのエンドツーエンド トレーニングにより、
– 大量の注釈付きデータが利用可能な、コンピューター ビジョンや自然言語などの分野での最先端のパフォーマンス。
ただし、センサーベースの HAR では、大量の注釈付きデータを利用できません。
さらに、HAR が実行される現実世界の設定は、センサー モダリティ、分類タスク、対象ユーザーの点で異なります。
この問題に対処するために、転移学習が広く採用されています。
この調査では、スマート ホームおよびウェアラブル ベースの HAR のアプリケーション ドメインにおけるこれらの転移学習手法に焦点を当てます。
特に、作品の貢献と取り組む課題の観点から作品を分類して提示することで、問題解決の視点を提供します。
また、両方のアプリケーション ドメインの最先端の最新ビューも紹介します。
205 件の論文の分析に基づいて、文献のギャップを強調し、それらに対処するためのロードマップを提供します。
この調査は、既存の研究を要約し、有望な研究課題を提供することにより、HAR コミュニティへの参照を提供します。

要約(オリジナル)

Sensor-based human activity recognition (HAR) has been an active research area, owing to its applications in smart environments, assisted living, fitness, healthcare, etc. Recently, deep learning based end-to-end training has resulted in state-of-the-art performance in domains such as computer vision and natural language, where large amounts of annotated data are available. However, large quantities of annotated data are not available for sensor-based HAR. Moreover, the real-world settings on which the HAR is performed differ in terms of sensor modalities, classification tasks, and target users. To address this problem, transfer learning has been employed extensively. In this survey, we focus on these transfer learning methods in the application domains of smart home and wearables-based HAR. In particular, we provide a problem-solution perspective by categorizing and presenting the works in terms of their contributions and the challenges they address. We also present an updated view of the state-of-the-art for both application domains. Based on our analysis of 205 papers, we highlight the gaps in the literature and provide a roadmap for addressing them. This survey provides a reference to the HAR community, by summarizing the existing works and providing a promising research agenda.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google