CaRa dataset

CaRa数据集是一个大规模多元时间序列数据集，从智能手表中收集，涵盖6个超类中的50个动作类别。

The CaRa Dataset is a large-scale multivariate time series dataset collected from smartwatches, encompassing 50 action categories across 6 superclasses.

原始信息汇总

CaRaCount数据集概述

基本信息

• 数据集名称: CaRaCount
• 官方代码与数据地址: https://github.com/bbvisual/CaRaCount
• 相关论文:
  • 《Class-Agnostic Repetitive Action Counting Using Wearable Devices》(TPAMI2025)
  • 《Count What You Want: Exemplar Identification and Few-Shot Counting of Human Actions in the Wild》(AAAI2024)

数据集特点

• 数据类型: 多变量时间序列数据
• 采集设备: 智能手表
• 动作类别:
  • 50个动作类别
  • 6个超类
• 方法特性:
  • 类别无关(class-agnostic)
  • 少样本(few-shot)
  • 使用可穿戴传感器数据进行重复动作计数

引用信息

bibtex @article{duc_caracount_tpami_2025, title = {Class-Agnostic Repetitive Action Counting Using Wearable Devices}, author = {Duc Duy Nguyen, Lam Thanh Nguyen, Yifeng Huang, Cuong Pham, Minh Hoai}, journal = {IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI)}, year = {2025}, }

@inproceedings{yifeng_exrac_aaai_2024, title = {Count What You Want: Exemplar Identification and Few-Shot Counting of Human Actions in the Wild}, author = { Yifeng Huang, Duc Duy Nguyen, Lam Thanh Nguyen, Cuong Pham, Minh Hoai}, booktitle = {Proceedings of AAAI Conference on Artificial Intelligence (AAAI)}, year = {2024} }

联系方式

• 联系人: Duc Duy Nguyen
• 邮箱: [e-mail]

搜集汇总

数据集介绍

构建方式

在可穿戴设备动作识别领域，CaRa数据集的构建采用了严谨的科学方法。研究团队通过智能手表采集了多变量时间序列数据，覆盖6个大类共计50种动作类别。数据采集过程注重动作的多样性和代表性，确保每个动作类别包含足够的样本量。数据集构建特别考虑了类无关性（class-agnostic）和少样本学习（few-shot）的研究需求，为重复动作计数任务提供了高质量的基础数据。

特点

CaRa数据集作为可穿戴传感器数据领域的创新资源，具有三个显著特征。数据集包含丰富的动作类别，涵盖日常生活、运动和职业活动等多个场景。采用多变量时间序列数据格式，完整保留了加速度计、陀螺仪等传感器的原始信息。特别设计的类无关特性使其能够支持无需预定义动作类别的创新性研究，为少样本学习在动作识别领域的应用提供了理想平台。

使用方法

使用CaRa数据集需要遵循标准的研究流程。研究人员需先配置Python 3.10环境并安装必要的科学计算库，包括PyTorch、NumPy等。数据集支持两种主要应用场景：传统动作识别任务和创新的类无关重复动作计数研究。通过提供的代码框架，用户可以方便地加载数据、训练模型并评估性能。数据集特别适合探索基于范例序列（exemplar sequence）的少样本学习方法在可穿戴设备数据上的应用潜力。

背景与挑战

背景概述

CaRa数据集是由Duc Duy Nguyen等研究人员于2025年提出的一个专注于可穿戴设备感知的重复动作计数的大规模多元时间序列数据集。该数据集由智能手表采集，覆盖了6个大类下的50种动作类别，旨在支持类无关的少样本重复动作计数研究。其核心研究问题在于如何利用短示例序列准确计数任意动作的重复次数，而无需大量训练数据或预定义动作类别。这一创新为可穿戴设备在健康监测、运动分析等领域的应用提供了新的可能性，相关成果已发表于IEEE TPAMI等顶级期刊。

当前挑战

CaRa数据集面临的挑战主要体现在两个方面：在领域问题层面，重复动作计数需要克服传感器数据的高噪声、个体差异大以及动作执行变异性强等难题；在构建过程层面，数据采集涉及多设备同步、动作标注一致性保障，以及如何设计具有广泛覆盖性的动作类别体系等技术难点。该数据集特别关注类无关场景下的少样本学习挑战，这对传统需要大量标注数据的深度学习方法提出了新的要求。

常用场景

经典使用场景

在可穿戴设备与行为分析领域，CaRa数据集因其多变量时间序列特性和广泛的行动类别覆盖，成为研究重复动作计数的经典基准。该数据集通过智能手表采集的传感器数据，支持研究者对50种不同动作类别进行跨类别分析，尤其适用于探索少样本学习下的动作重复模式识别。其设计的核心在于摆脱传统方法对大量训练数据和预定义动作类别的依赖，为算法验证提供了高度灵活的测试平台。

解决学术问题

CaRa数据集有效解决了动作计数研究中样本效率低下和类别泛化能力不足的难题。通过提供跨6大超类的多样化动作数据，它使研究者能够验证类无关（class-agnostic）计数方法的鲁棒性，特别是在仅需短示例序列的条件下实现精准计数。这一特性推动了少样本学习在可穿戴计算领域的应用，为时间序列分析中的小样本泛化问题提供了实证基础。

衍生相关工作

围绕CaRa数据集衍生的研究已形成两条主线：一类聚焦于改进类无关计数算法，如TPAMI2025提出的CaRaCount框架通过时序对齐与注意力机制提升计数精度；另一类探索跨模态融合，如AAAI2024工作将视觉与传感器数据结合，实现复杂环境下的野外观测动作计数。这些成果共同推动了可穿戴设备行为分析的范式革新。