我实验室三年级博士生赵忠凯的研究论文已被IEEE物联网期刊接受发表。我们解决了将知识从视觉识别任务中预先训练的卷积神经网络转移到使用传感器数据的动作识别任务的问题，并证明了通过简单的权重操作就可以实现高性能的知识转移。

Zhao, Z.、Takenaka, K. 和 Hasegawa, T.， “扩展 1D 任务的视野：利用 ImageNet 预先训练的 2D 卷积神经网络。”， IEEE 物联网杂志，第 15 卷。 11，第19期，第30978-30995页，2024年。论文

抽象的

基于传感器的人类活动识别 (HAR) 在物联网 (IoT) 中发挥着关键作用。由于传感器设备成本低、功耗低、适用性广，HAR与物联网的融合已变得越来越迫在眉睫。基于深度学习 (DL) 的 HAR 方法具有自动特征提取能力，已应用于我们的日常生活中。然而，获取大量用于 HAR 任务的标记数据仍然是一个挑战。尽管迁移学习（TL）在 HAR 领域提供了可行的解决方案，但我们缺乏类似于 ImageNet 的大型源领域数据集。为了应对这一挑战，我们的研究引入了一种创新的跨模式 TL 策略。通过压缩 ImageNet 参数，我们能够将 2-D 模型的稳健功能转移到 1-D 域。这是通过采用各种 DL 架构实现的，从而验证了我们方法的稳健性。此外，通过超参数α和压缩TL中的权重幅度，我们进一步研究了我们提出的方法，以增强其通用性。从 HAR 基准数据集获得的积极结果证明了这一点。我们还扩展了分析范围，包括来自不同传感器类型的结果，从而肯定了我们的 TL 策略在不同环境下的适应性和有效性。这些实验不仅强化了我们最初的发现，而且拓宽了我们对如何将我们的方法应用于大量基于物联网的场景和传感器数据的理解，为该领域的研究和应用开辟了新的途径。