Self-relation attention networks for weakly supervised few-shot activity recognition

传统的基于传感器的人类活动识别(HAR)需要大量新类别的高质量数据进行训练，仅在少量标记样本的情况下很难对新类别的活动进行分类。使用这些模型来定制和识别个性化(新类)活动以获得更好的用户体验是一个巨大的挑战。对大量的新型时间序列数据进行标注是一项耗时的工作。此外，现有的注释技术对这些活动序列进行了弱标记。这项工作的目的是学习一个元分类器，即使给出很少的噪声样本，也能很好地泛化弱标记的新类活动。在此基础上，我们结合了few-shot学习和弱监督分类的力量来实现上述目标。为了从噪声传感器数据的时空特征中提取更具区别性的目标特征，我们提出了一种新的个性化HAR自关联注意原型网络。基于注意力的元学习在弱标记样本的子序列级关系挖掘上自动生成每个子序列对对象活动特征的贡献。因此，突出显示的目标活动特征受噪声子序列的影响较小。在此基础上，对突出的特征设计了增强操作，避免了每个类别中目标活动原型的偏差。最后，我们在广泛的实验中评估了所提出的模型，包括精度评估、消融研究和阈值的影响。结果表明，与其他模型相比，我们的方法在弱监督HAR中取得了更好的性能