我的角色
我和同事们开发了基于 CNN / FCN 的迁移学习策略,用于在数据有限的情况下将意图识别模型适配到新的假肢用户。
这项工作提出了一套迁移学习流程,用于在新用户数据有限的情况下,将预训练的 CNN / FCN 意图识别模型适配到新的可穿戴机器人用户。换句话说:不需要为每个新用户重新采集大量数据,而是从已有用户模型出发,用较少的新用户数据完成微调。
个性化是可穿戴机器人意图识别落地中的主要障碍之一;迁移学习可以降低新用户数据负担,同时保持意图预测性能。
我和同事们开发了基于 CNN / FCN 的迁移学习策略,用于在数据有限的情况下将意图识别模型适配到新的假肢用户。
意图模型通常需要大量单用户数据,对新假肢用户并不现实。
利用迁移学习在新用户数据有限时适配活动识别模型。
本研究于密歇根大学 LocoLab 开展,导师为 Robert D. Gregg 教授。