Rete Manifold-Consistente per il Riconoscimento Robusto dell'Attività Umana
Una nuova architettura di deep learning, nota come Rete Spazio-Temporale Manifold-Consistente (MCSTN), è stata introdotta per migliorare il Riconoscimento dell'Attività Umana (HAR) basato su sensori nel monitoraggio medico e sanitario, specialmente nell'Internet delle Cose Mediche (IoMT). I modelli tradizionali spesso falliscono a causa di problemi come dati mancanti, malfunzionamenti dei sensori e disturbi ambientali, che compromettono l'assunzione di dati integri. MCSTN affronta questo problema impiegando una modellazione della corruzione a doppio livello, che simula i difetti tramite corruzione a livello fisico e corruzione continua guidata dalla diffusione. Il modello ottiene rappresentazioni semantiche stabili e invarianti alla corruzione garantendo la consistenza delle rappresentazioni attraverso vari input corrotti. Questa ricerca è documentata nel repository arXiv con l'identificatore 2605.00913.
Fatti principali
- 1. MCSTN è una Rete Spazio-Temporale Manifold-Consistente per HAR.
- 2. Affronta i dati medici imperfetti negli scenari IoMT.
- 3. La modellazione della corruzione a doppio livello include corruzione fisica e guidata dalla diffusione.
- 4. Il modello impone consistenza tra viste corrotte.
- 5. Apprende rappresentazioni semantiche invarianti alla corruzione.
- 6. Pubblicato su arXiv con ID 2605.00913.
- 7. Mira al Riconoscimento dell'Attività Umana basato su sensori.
- 8. Obiettivo: migliorare l'affidabilità del monitoraggio sanitario.
Entità
Istituzioni
- arXiv