Few-Shot Action Recognition from Wearable Devices

Il riconoscimento di azioni da dispositivi indossabili è un campo di ricerca in rapida crescita, con applicazioni che vanno dal monitoraggio della salute all’interazione uomo-computer. Tuttavia, l’acquisizione di grandi quantità di dati annotati per l’addestramento di modelli robusti può essere costosa e dispendiosa in termini di tempo. In questo contesto, l’apprendimento con pochi esempi (few-shot learning) emerge come una soluzione promettente per sviluppare modelli capaci di generalizzare da un numero limitato di campioni.

L’obiettivo della tesi è sviluppare modelli di action recognition da wearable devices che possano essere allenati con pochi dati di training.

Letture di riferimento:

• Mamba: Linear-time sequence modeling with selective state spaces.
• MiniROAD: Minimal RNN Framework for Online Action Detection.
• Prototypical Networks for Few-Shot Learning.