@techreport{TR-IC-PFG-26-02,
   number = {IC-PFG-26-02},
   author = {Beatriz Vitória Pereira Moura and Edson Borin},
   title = {{SwAV-HAR: Adaptação do modelo SwAV para reconhecimento de
                   atividades humanas}},
   month = {Julho},
   year = {2026},
   institution = {Institute of Computing, University of Campinas},
   note = {In Portuguese, 52 pages.
    \par\selectlanguage{brazil}\textbf{Resumo}
       Este  relatório  apresenta  o SwAV-HAR, uma adaptação do modelo
       autossupervisionado  SwAV  (Caron  et  al.)  para  o domínio de
       séries  temporais de sensores inerciais, desenvolvido no escopo
       do  projeto final de graduação em Engenharia de Computação pela
       Universidade  de  Campinas  (UNICAMP).  O  modelo  é voltado ao
       reconhecimento de atividades humanas (HAR) e à identificação de
       transições  posturais  entre  atividades nos conjuntos de dados
       HAPT  e DAGHAR. A adaptação utiliza o \emph{backbone} ResNet-SE
       e introduz transformações de aumento baseadas em \emph{temporal
       multi-crop}.   O   SwAV-HAR   é   avaliado  sob  os  protocolos 
       \emph{freeze},  \emph{fine-tuning}  completo  e \emph{scratch},
       com  acurácia  de  classificação  média  de  $88\%$  no cenário
       \emph{in-domain},   tornando-se   competitivo   em  relação  ao 
       treinamento  supervisionado e outras técnicas do estado da arte
       de   \emph{Self-Supervised   Learning   (SSL)},   destacando-se  
       principalmente  em  regimes  de poucas amostras rotuladas. \par
       Além disso, o projeto propõe a detecção de janelas de transição
       por  meio de \emph{scores} derivados dos protótipos aprendidos,
       mensurados  por  meio  da  distância  ao protótipo e da taxa de
       transição  das atribuições de protótipos, avaliados no conjunto
       de  dados  HAPT. Os resultados indicam que a métrica de taxa de
       transição impõe a maior diferenciação entre as classes estáveis
       e  de  transição  postural,  que  apresenta  a  dificuldade  de 
       separação  geométrica  devido  à pequena quantidade de amostras
       disponíveis  para  o  aprendizado  do  modelo.  Finalmente,  as 
       direções  futuras do projeto envolvem a extensão dos protocolos
       de  coleta  e de avaliação para outros conjuntos de dados, além
       da   inclusão   de   métodos  que  preservem  a  temporalidade, 
       promovendo  maior  capacidade  de  aprendizado  na  presença de
       amostras de fronteira ou janelas de transição.
  }
}