本文介绍了SAKDN框架，通过多模态知识蒸馏和自适应融合，提升可穿戴传感器的动作识别效果。研究表明，该框架在多个数据集上表现优异，具有较强的鲁棒性和应用潜力，特别是在制造业和智能家居领域。

随着预期寿命的增加和出生率的下降，人口老龄化问题日益严重。可穿戴传感器技术在支持老年人日常生活中展现出巨大潜力。研究者们关注多模态机器学习在人体活动识别中的应用，探索深度学习方法和传感器模态，以提升技术性能。

本文介绍了一种基于Transformer架构的人类轨迹预测模型，该模型利用人体位置和头部朝向等特征，能够有效捕捉预测中的不确定性，并在多个基准测试中表现优异。此外，研究还探讨了通过可穿戴传感器和深度数据提高人体姿态估计准确性的方法，强调了人与机器协作的重要性。

本文介绍了一种使用可穿戴传感器恢复人体完整3D姿势的方法，通过相机自定位和人体跟踪融合，集成3D场景约束，实现精确的姿势恢复。该方法适用于虚拟现实/增强现实应用程序和训练导航与环境交互的代理。

本文介绍了一种使用可穿戴传感器恢复人体完整3D姿势的方法，通过融合IMU和头戴式摄像机的数据，实现相机自定位和人体跟踪，并将3D场景约束集成到优化中，以获得精确的姿势。该方法适用于虚拟现实/增强现实应用程序和训练导航与环境交互的代理。

该研究评估了多种高性能方法，发现当前实验评估方法无法在可穿戴传感器数据背景下执行活动识别，识别准确度显着下降。该研究解决了在可穿戴传感器数据基础上的人体活动识别中影响识别准确性的关键问题，是第一篇解决这个问题的研究。

本文介绍了一种使用可穿戴传感器恢复人体完整3D姿势的方法，结合相机自定位和人体跟踪，并集成3D场景约束，以获得精确的姿势。可用于虚拟现实/增强现实应用程序或训练导航和与环境交互的代理。