Trefwoorden: Menselijke activiteitsherkenning, diep leren, zelfondersteund leren
 

"Feature Representation Learning for Human Activity Recognition"

Menselijke bewegingen en activiteiten zijn cruciale elementen van non-verbale communicatie. Ze brengen rijke informatie over die betekenissen en context verschaffen die menselijk gedrag verklaren. Daarnaast kunnen onze bewegingen dienen als waardevolle markers voor het identificeren van verborgen informatie, zoals motorische symptomen die geassocieerd worden met bepaalde ziekten. De gebruikssituaties voor AI-gebaseerde Human Activity Recognition (HAR) modules zijn te vinden in ambient assisted living, slimme productie, sportanalyse en bewakingssystemen. In dit werk ligt de nadruk op het aanpakken van de uitdagingen van het herkennen van menselijke activiteiten van verschillende sensoren (draagbare apparaten, skeletgewrichten verkregen via camera's) waarmee hedendaagse AI-modellen, met name Neurale Netwerken, worden geconfronteerd. Het werk is met name gericht op het bieden van een reeks technieken die kunnen worden gebruikt om multimodale sensorische gegevens effectief te coderen in compacte en homogene representaties. Het verkennen van Self-Supervised Learning (SSL) voor HAR, dat vertrouwt op ongelabelde gegevens om diepe kenmerkrepresentaties te bouwen, is een prominent aspect van dit werk. Verder worden in dit proefschrift nieuwe raamwerken die de beperkingen van bestaande basislijnen aanpakken vergeleken met state-of-the-art methoden en geëvalueerd in verschillende scenario's.

Klik hier voor de livestream.