[论文解读] Scale-Invariant Local Descriptor for Event Recognition in 1D Sensor Signals

Jierui Xie, Mandis Beigi|arXiv (Cornell University)|May 28, 2011

Time Series Analysis and Forecasting参考文献 4被引用 4

一句话总结

本文提出一种适用于1D传感器信号的尺度不变局部描述符，可在不同时间尺度下实现鲁棒的事件识别，例如快走与慢走。通过利用尺度空间理论和高层次形状编码方案，该方法提取出具有尺度不变性的特征，并采用基于R度量的分类器（SIC-R），结合关键点匹配与动态时间规整（DTW）得分，实现了在PIR、加速度计和地震传感器等多种1D传感器数据上超过90%的准确率。

ABSTRACT

In this paper, we introduce a shape-based, time-scale invariant feature descriptor for 1-D sensor signals. The time-scale invariance of the feature allows us to use feature from one training event to describe events of the same semantic class which may take place over varying time scales such as walking slow and walking fast. Therefore it requires less training set. The descriptor takes advantage of the invariant location detection in the scale space theory and employs a high level shape encoding scheme to capture invariant local features of events. Based on this descriptor, a scale-invariant classifier with "R" metric (SIC-R) is designed to recognize multi-scale events of human activities. The R metric combines the number of matches of keypoint in scale space with the Dynamic Time Warping score. SICR is tested on various types of 1-D sensors data from passive infrared, accelerometer and seismic sensors with more than 90% classification accuracy.

研究动机与目标

• 为解决在时间跨度显著变化的1D传感器信号中识别人类活动的挑战，例如快走与慢走的对比。
• 通过实现跨不同时间尺度的泛化能力，减少对大量训练数据的依赖。
• 设计一种对时间尺度变化具有不变性，同时保留具有判别性的局部形状特征的特征描述符。
• 设计一种分类器，能够通过结合关键点对应关系与时间对齐的混合度量，在时间尺度变化下实现事件匹配。

提出的方法

• 该方法利用尺度空间理论，在1D信号的多个时间尺度上检测出稳定的关键点位置。
• 采用高层次形状编码方案，捕捉检测到的关键点周围的局部信号形态，确保对尺度变化的不变性。
• SIC-R分类器计算一种R度量，该度量结合了尺度空间中匹配的关键点数量与用于时间对齐的动态时间规整（DTW）得分。
• R度量用于将查询事件与训练事件进行比较，从而在时间尺度变化下实现鲁棒的分类。
• 该描述符在被动红外、加速度计和地震传感器的1D信号上进行了评估，以测试其跨传感器的鲁棒性。

实验结果

研究问题

• RQ1 能否设计一种对1D传感器信号中时间尺度变化具有不变性的局部特征描述符？
• RQ2 如何对基于关键点的特征进行编码，以在时间尺度变化下保留形状信息？
• RQ3 结合关键点匹配与DTW的混合度量是否能提升多尺度事件的分类准确率？
• RQ4 所提出的方法在不同类型1D传感器数据上的泛化能力如何？

主要发现

• 所提出的尺度不变局部描述符在包括被动红外、加速度计和地震信号在内的多样化1D传感器数据上，实现了超过90%的分类准确率。
• SIC-R分类器通过有效结合关键点匹配与DTW对齐，优于基线方法，显著提升了对尺度变化的鲁棒性。
• 该方法通过在相同活动的不同时间持续时长间实现泛化，减少了对大规模多尺度训练数据集的依赖。
• 高层次形状编码方案成功捕捉了具有判别性的局部特征，同时保持了对尺度变化的不变性。