論文の概要: Unsupervised Domain Adaptation for Device-free Gesture Recognition
- arxiv url: http://arxiv.org/abs/2111.10602v1
- Date: Sat, 20 Nov 2021 14:25:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-25 12:14:04.226535
- Title: Unsupervised Domain Adaptation for Device-free Gesture Recognition
- Title(参考訳): デバイスフリージェスチャ認識のための教師なし領域適応
- Authors: Bin-Bin Zhang, Dongheng Zhang, Yadong Li, Yang Hu, and Yan Chen
- Abstract要約: 無線周波数信号によるデバイス自由な人間のジェスチャー認識は、不明瞭さ、プライバシー保護、RF信号の広範囲にわたる性質により、称賛された。
しかし、特定のドメインから収集されたデータによる認識のために訓練されたニューラルネットワークモデルは、新しいドメインに適用した場合、大幅なパフォーマンス劣化に悩まされる。
ラベル付けされていない対象領域データを効果的に利用することにより、デバイス自由ジェスチャー認識のための教師なしドメイン適応フレームワークを提案する。
- 参考スコア(独自算出の注目度): 12.572400168065075
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Device free human gesture recognition with Radio Frequency signals has
attained acclaim due to the omnipresence, privacy protection, and broad
coverage nature of RF signals. However, neural network models trained for
recognition with data collected from a specific domain suffer from significant
performance degradation when applied to a new domain. To tackle this challenge,
we propose an unsupervised domain adaptation framework for device free gesture
recognition by making effective use of the unlabeled target domain data.
Specifically, we apply pseudo labeling and consistency regularization with
elaborated design on target domain data to produce pseudo labels and align
instance feature of the target domain. Then, we design two data augmentation
methods by randomly erasing the input data to enhance the robustness of the
model. Furthermore, we apply a confidence control constraint to tackle the
overconfidence problem. We conduct extensive experiments on a public WiFi
dataset and a public millimeter wave radar dataset. The experimental results
demonstrate the superior effectiveness of the proposed framework.
- Abstract(参考訳): 無線信号を用いたデバイスフリーなジェスチャー認識は,rf信号の全能性,プライバシ保護,広範にわたる範囲性などにより,高い評価を得ている。
しかしながら、特定のドメインから収集したデータによる認識のためにトレーニングされたニューラルネットワークモデルは、新しいドメインに適用される場合、パフォーマンスが著しく低下する。
この課題に対処するために、未ラベルのターゲットドメインデータを効果的に活用することにより、デバイスフリージェスチャー認識のための教師なしドメイン適応フレームワークを提案する。
具体的には、擬似ラベリングと整合性正規化を対象ドメインデータに精巧な設計で適用し、擬似ラベルを生成し、対象ドメインのインスタンス特徴を整合させる。
そして、入力データをランダムに消去し、モデルの堅牢性を高める2つのデータ拡張手法を設計する。
さらに,信頼度制御制約を適用し,自信過剰問題に取り組む。
公共Wi-Fiデータセットと公共ミリ波レーダデータセットについて広範な実験を行った。
実験の結果,提案手法の有効性が示された。
関連論文リスト
- Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。
無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。
そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
論文 参考訳(メタデータ) (2023-12-08T13:50:30Z) - STANCE-C3: Domain-adaptive Cross-target Stance Detection via Contrastive
Learning and Counterfactual Generation [16.586730118466996]
本稿では,ドメイン適応型クロスターゲット STANCE をコントラスト学習と対実生成により生成する新しいスタンス検出モデルを提案する。
その結果,STANCE-C3は既存の最先端手法よりも性能が向上していることが判明した。
論文 参考訳(メタデータ) (2023-09-26T18:19:51Z) - Boosting Cross-Domain Speech Recognition with Self-Supervision [35.01508881708751]
自動音声認識(ASR)のクロスドメイン性能は,トレーニングとテストのミスマッチにより著しく損なわれる可能性がある。
従来, 自己監督学習 (SSL) や擬似ラベル学習 (PL) は, 未ラベルデータの自己監督を利用してUDAに有効であることが示された。
この研究は、事前学習および微調整のパラダイムにおいて、ラベルなしデータを完全に活用する体系的なUDAフレームワークを提案する。
論文 参考訳(メタデータ) (2022-06-20T14:02:53Z) - Frequency Spectrum Augmentation Consistency for Domain Adaptive Object
Detection [107.52026281057343]
周波数スペクトル拡張整合(FSAC)フレームワークを4種類の低周波フィルタで構成する。
最初の段階では、オリジナルおよび拡張されたソースデータを全て利用して、オブジェクト検出器を訓練する。
第2段階では、予測一貫性のための自己学習を行うために、擬似ラベル付き拡張現実とターゲットデータを採用する。
論文 参考訳(メタデータ) (2021-12-16T04:07:01Z) - Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D
Object Detection [85.11649974840758]
3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。
そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
論文 参考訳(メタデータ) (2021-11-30T18:42:42Z) - Disentanglement-based Cross-Domain Feature Augmentation for Effective
Unsupervised Domain Adaptive Person Re-identification [87.72851934197936]
Unsupervised Domain Adaptive (UDA) Person Re-identification (ReID) は、ラベル付きソースドメインからラベル付きターゲットドメインへ知識を転送することを目的としている。
ひとつの課題は、トレーニング用に信頼できるラベルでターゲットドメインサンプルを生成する方法だ。
ディスタングルメントに基づくクロスドメイン機能拡張戦略を提案する。
論文 参考訳(メタデータ) (2021-03-25T15:28:41Z) - TraND: Transferable Neighborhood Discovery for Unsupervised Cross-domain
Gait Recognition [77.77786072373942]
本稿では、教師なしクロスドメイン歩行認識のための領域ギャップを橋渡しするTransferable Neighborhood Discovery (TraND) フレームワークを提案する。
我々は、潜在空間におけるラベルなしサンプルの自信ある近傍を自動的に発見するために、エンドツーエンドのトレーニング可能なアプローチを設計する。
提案手法は,CASIA-BとOU-LPの2つの公開データセットに対して,最先端の結果を得る。
論文 参考訳(メタデータ) (2021-02-09T03:07:07Z) - A Free Lunch for Unsupervised Domain Adaptive Object Detection without
Source Data [69.091485888121]
教師なしドメイン適応(unsupervised domain adaptation) ソースとターゲットのドメインデータは自由に利用でき、通常、ドメイン間のギャップを減らすために一緒に訓練される。
ノイズの多いラベルで学習する問題にモデル化することで,ソースデータのないドメイン適応オブジェクト検出(SFOD)フレームワークを提案する。
論文 参考訳(メタデータ) (2020-12-10T01:42:35Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。