标签
REFIT 提出了一种面向冻结活动识别模型的无标签输入校准方法，通过拟合坐标轴变换族以匹配训练统计数据，从而纠正可穿戴传感器的放置偏移（例如更换佩戴手腕或重新绑紧腕带），在无需重新训练的情况下，性能优于现有的测试时自适应方法。
HB-PVI 是一个层次贝叶斯框架，通过平衡收益和成本来优化复杂活动识别中的个性化决策，展示了一种群体优先的部署策略可以在保持性能的同时减少标注成本。
本文介绍了动态影响加权（DIW），一种知识蒸馏方法，通过在训练过程中动态加权来自多个IMU的教师目标，来改进单IMU活动识别，实现了显著的性能提升。
本文提出了一种以设备为中心的框架，利用基于深度学习的视觉和事件驱动有限状态机在热锻工厂中定位工件，在运行环境中实现了高检测精度和低延迟。
介绍了SERUM，一种多遍框架，通过分层VLM标注从原始自我中心视频中提取用户行为和意图的结构化模型，减少幻觉现象，并生成无需人工标注的可解释过程模型。
Inertia-1是一个研究项目，系统性地探索运动模型的完整生命周期——数据、感知、目标和规模——以产生一种统一的表示，该表示无需重新训练即可跨身体位置、设备和任务迁移，利用了在1800万小时加速度计数据上的自监督预训练。
AnyMo是一个几何感知的框架，用于安装无关的人体运动建模，它利用基于物理的IMU模拟和图编码，在零样本活动识别、跨模态检索和运动描述等多个数据集上实现了显著改进。