Unsupervised domain adaptation in sensor data context

• Ano de defesa: 2024
• Autor(a) principal: Guilherme Cramer Barbosa Silva
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: Universidade Federal de Minas Gerais
• Palavras-chave em Português: Computação – Teses; Visão por computador – Teses; Aprendizado profundo – Teses; Análise de domínio temporal - Teses; Domain adaptation; Deep learning; Probability
• Link de acesso: https://hdl.handle.net/1843/77310

O reconhecimento de atividade humana baseado em sensor (HAR baseado em sensor) fornece informações valiosas para muitas áreas, como, médica, militar e segurança. Recentemente, os dispositivos ganharam espaço como fonte relevante de dados devido `a facilidade de armazenamento de dados, captura, e o grande número de pessoas que usam esses dispositivos. Além disso, o grande número de sensores presentes nesses dispositivos fornece uma enorme heterogeneidade nos dados adquiridos. Embora existam dados massivos, eles não podem ser usados juntos, de forma complementar, devido `as diferenças dos dados. Essa diferença se torna crítica porque causa degradação de desempenho quando um modelo aprende uma tarefa em um conjunto de dados e a executa em outro conjunto. Acreditamos que, amenizando esses problemas, podemos usar as informações aprendidas de um conjunto de dados e usá-las em outro conjunto de dados com desempenho satisfatório. Definimos o conjunto de dados onde a tarefa é aprendida como domínio de Source e o conjunto de dados onde realizamos a tarefa, sem aprendizado prévio como domínio Target. Nossa abordagem é baseada na tarefa HAR e possuímos os rótulos apenas do domínio Source. Este problema é definido como adaptação de domínio não supervisionado. Para enfrentar esse problema, propomos uma metodologia de Transferência de Aprendizagem baseada em duas etapas. Na primeira, usamos um modelo de Deep Learning para extrair Features compartilhados entre domínios e o segundo para extrair Features específicas de domínio. O método é baseado em uma estrutura Teacher-student, em que o Teacher aprende características comuns aos domínios com a ajuda de uma medida de discrepância de probabilidade. Este modelo aprende características discriminativos para os dados Source, usando as informações disponíveis. E, para o Target, esse modelo aprende características similares usando a medida de discrepância. O Teacher produz pseudorótulos para o conjunto de dados Target e usamos uma nova metodologia para selecionar os rótulos mais confiáveis. Esses rótulos são usados pelo modelo Student para aprender as características específicos do domínio. Depois que o modelo Student é treinado, ele produz os rótulos finais e medimos o desempenho. Comparamos nossa metodologia com algumas da Literatura e alcançamos o estado da arte em muitos cenários.