ConvBoost: 基于卷积网络传感器活动识别的提升框架

人类活动识别(HAR)是普适计算和可穿戴计算的核心研究主题。深度学习虽能端到端提取高级特征并进行分类，但面临标注样本不足导致的过拟合问题。为此，我们提出ConvBoost——一种新型三层结构模型架构和提升框架，通过从三个不同视角生成额外训练数据来改进HAR。具体而言，我们引入采样层、数据增强层和弹性层三个概念层，开发了R-Frame、Mix-up和C-Drop三种提升器，分别通过密集采样、合成和模拟来丰富每轮训练数据。这些提升器适用于任何卷积网络。在三个标准基准数据集(Opportunity、PAMAP2、GOTOV)上的实验表明，ConvBoost在CNN、ConvLSTM和Attention模型上均取得显著性能提升，是一种通用的卷积网络HAR性能提升方案。代码已开源。