論文の概要: Multi-Band Wi-Fi Sensing with Matched Feature Granularity
- arxiv url: http://arxiv.org/abs/2112.14006v1
- Date: Tue, 28 Dec 2021 05:50:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-30 16:22:35.481601
- Title: Multi-Band Wi-Fi Sensing with Matched Feature Granularity
- Title（参考訳）: 特徴粒度に一致したマルチバンドWi-Fiセンシング
- Authors: Jianyuan Yu, Pu (Perry) Wang, Toshiaki Koike-Akino, Ye Wang, Philip V.
Orlik, R. Michael Buehrer
- Abstract要約: サブ6GHzの細粒度CSIと60GHzの中粒度ビームSNRの両方の特徴を階層的に融合するWi-Fiセンサ用マルチバンドWi-Fi融合法を提案する。
ラベル付きトレーニングデータの制限に対処するため,教師なしで事前学習可能なオートエンコーダベースのマルチバンドWi-Fi融合ネットワークを提案する。
- 参考スコア（独自算出の注目度）: 37.40429912751046
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Complementary to the fine-grained channel state information (CSI) from the
physical layer and coarse-grained received signal strength indicator (RSSI)
measurements, the mid-grained spatial beam attributes (e.g., beam SNR) that are
available at millimeter-wave (mmWave) bands during the mandatory beam training
phase can be repurposed for Wi-Fi sensing applications. In this paper, we
propose a multi-band Wi-Fi fusion method for Wi-Fi sensing that hierarchically
fuses the features from both the fine-grained CSI at sub-6 GHz and the
mid-grained beam SNR at 60 GHz in a granularity matching framework. The
granularity matching is realized by pairing two feature maps from the CSI and
beam SNR at different granularity levels and linearly combining all paired
feature maps into a fused feature map with learnable weights.
To further address the issue of limited labeled training data, we propose an
autoencoder-based multi-band Wi-Fi fusion network that can be pre-trained in an
unsupervised fashion. Once the autoencoder-based fusion network is pre-trained,
we detach the decoders and append multi-task sensing heads to the fused feature
map by fine-tuning the fusion block and re-training the multi-task heads from
the scratch. The multi-band Wi-Fi fusion framework is thoroughly validated by
in-house experimental Wi-Fi sensing datasets spanning three tasks: 1) pose
recognition; 2) occupancy sensing; and 3) indoor localization. Comparison to
four baseline methods (i.e., CSI-only, beam SNR-only, input fusion, and feature
fusion) demonstrates the granularity matching improves the multi-task sensing
performance. Quantitative performance is evaluated as a function of the number
of labeled training data, latent space dimension, and fine-tuning learning
rates.
- Abstract（参考訳）: 物理層からの細粒度チャネル状態情報(csi)と粗粒度受信信号強度インジケータ(rssi)測定とを補完することにより、必須ビームトレーニングフェーズ中のミリ波帯で利用可能な中粒度空間ビーム特性(ビームsnr)をwi-fiセンシング用途に再利用することができる。
本稿では、サブ6GHzの細粒度CSIと60GHzの中粒度SNRの両方の特徴を階層的に融合するWi-Fiセンサ用マルチバンドWi-Fi融合法を提案する。
csiとビームsnrの2つの特徴マップを異なる粒度レベルでペアリングし、全てのペア化特徴マップを、学習可能な重み付き融合特徴マップに線形結合することにより、粒度マッチングを実現する。
ラベル付きトレーニングデータの制限に対処するため,教師なしで事前学習可能なオートエンコーダベースのマルチバンドWi-Fi融合ネットワークを提案する。
オートエンコーダをベースとした核融合ネットワークが事前訓練されると、融合ブロックを微調整し、マルチタスクヘッドをスクラッチから再トレーニングすることで、デコーダを分離し、融合特徴マップにマルチタスクセンシングヘッドを付加する。
マルチバンドWi-Fi融合フレームワークは,3つのタスクにまたがる社内実験Wi-Fiセンシングデータセットによって,徹底的に検証されている。
1) 認識のポーズ
2 占有者センシング、及び
3)屋内局在化。
CSI-only, beam SNR-only, input fusion, feature fusionの4つのベースライン法と比較して、粒度マッチングはマルチタスクセンシング性能を向上させる。
量的性能は、ラベル付きトレーニングデータ数、潜在空間次元、微調整学習率の関数として評価される。
関連論文リスト
- GSPR: Multimodal Place Recognition Using 3D Gaussian Splatting for Autonomous Driving [9.023864430027333]
マルチモーダル位置認識は ユニセンサーシステムの弱点を克服する能力によって 注目を集めています
本稿では,GSPRと呼ばれる3次元ガウス型マルチモーダル位置認識ニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2024-10-01T00:43:45Z) - A Point-Based Approach to Efficient LiDAR Multi-Task Perception [49.91741677556553]
PAttFormerは、ポイントクラウドにおける共同セマンティックセグメンテーションとオブジェクト検出のための効率的なマルチタスクアーキテクチャである。
他のLiDARベースのマルチタスクアーキテクチャとは異なり、提案したPAttFormerはタスク固有のポイントクラウド表現のために別の機能エンコーダを必要としない。
マルチタスク学習では,mIouでは+1.7%,mAPでは3Dオブジェクト検出では+1.7%,LiDARセマンティックセマンティックセグメンテーションは+1.7%向上した。
論文 参考訳（メタデータ） (2024-04-19T11:24:34Z) - 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) - Multi-Base Station Cooperative Sensing with AI-Aided Tracking [10.400855135405251]
核融合センター(FC)を介して協調する複数の基地局(BS)からなる共同センシング・通信ネットワークについて検討する。
筆者らのフレームワークは,60cm未満の最適サブパターン割り当て(OSPA)を実現することで,優れたセンシング性能を提供できることを示す。
論文 参考訳（メタデータ） (2023-10-31T12:27:48Z) - Bandwidth-efficient distributed neural network architectures with
application to body sensor networks [73.02174868813475]
本稿では,分散ニューラルネットワークアーキテクチャを設計するための概念設計手法について述べる。
提案手法により,損失を最小限に抑えつつ,最大20倍の帯域幅削減が可能となることを示す。
本稿では,ウェアラブル脳-コンピュータインタフェースに焦点をあてるが,他のセンサネットワークアプリケーションにも適用できる。
論文 参考訳（メタデータ） (2022-10-14T12:35:32Z) - Federated Learning for Distributed Spectrum Sensing in NextG
Communication Networks [3.509171590450989]
NextGネットワークは、既存のユーザとスペクトルを共有する柔軟性を提供することを目的としている。
無線センサのネットワークは、大規模な展開領域における信号伝達のスペクトルを監視するために必要である。
精度を向上させるために、個々のセンサは、センサーデータまたはセンサー結果を相互または融合センタで交換することができる。
論文 参考訳（メタデータ） (2022-04-06T18:18:42Z) - Multi-task Learning Approach for Modulation and Wireless Signal
Classification for 5G and Beyond: Edge Deployment via Model Compression [1.218340575383456]
将来的な通信網は、異種無線デバイスの成長に対応するために、少ないスペクトルに対処する必要がある。
我々は、深層ニューラルネットワークに基づくマルチタスク学習フレームワークの可能性を利用して、変調と信号分類タスクを同時に学習する。
公共利用のための包括的ヘテロジニアス無線信号データセットを提供する。
論文 参考訳（メタデータ） (2022-02-26T14:51:02Z) - Volumetric Propagation Network: Stereo-LiDAR Fusion for Long-Range Depth
Estimation [81.08111209632501]
長距離深度推定のための幾何認識型ステレオLiDAR融合ネットワークを提案する。
ステレオ画像の対応を統一した3Dボリューム空間で導くためのキューとして、スパースで正確な点群を活用します。
我々のネットワークは,KITTIおよびVirtual-KITTIデータセット上での最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2021-03-24T03:24:46Z) - Multi-task Learning Approach for Automatic Modulation and Wireless
Signal Classification [1.827510863075184]
深層ニューラルネットワークの可能性をマルチタスク学習(MTL)フレームワークと組み合わせて活用し、変調と信号分類のタスクを同時に学習します。
我々は、レーダーと複数のラベルとの通信信号からなる唯一の既知のオープン異種無線信号データセットをリリースします。
論文 参考訳（メタデータ） (2021-01-25T17:43:42Z) - Suppress and Balance: A Simple Gated Network for Salient Object
Detection [89.88222217065858]
両問題を同時に解くための単純なゲートネットワーク(GateNet)を提案する。
多レベルゲートユニットの助けを借りて、エンコーダからの貴重なコンテキスト情報をデコーダに最適に送信することができる。
さらに,提案したFold-ASPP操作(Fold-ASPP)に基づくアトラス空間ピラミッドプーリングを用いて,様々なスケールのサリアンオブジェクトを正確に位置決めする。
論文 参考訳（メタデータ） (2020-07-16T02:00:53Z)
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。