論文の概要: AutoFi: Towards Automatic WiFi Human Sensing via Geometric Self-Supervised Learning

• arxiv url: http://arxiv.org/abs/2205.01629v1
• Date: Tue, 12 Apr 2022 04:55:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-09 00:06:52.180880
• Title: AutoFi: Towards Automatic WiFi Human Sensing via Geometric Self-Supervised Learning
• Title（参考訳）: AutoFi: 幾何学的自己監視学習によるWiFi自動センシングを目指して
• Authors: Jianfei Yang, Xinyan Chen, Han Zou, Dazhuo Wang, Lihua Xie
• Abstract要約: 本稿では,新しい幾何学的自己教師付き学習アルゴリズムに基づく自動WiFiセンシングモデルであるAutoFiを提案する。 AutoFiは、ランダムにキャプチャされた未ラベルの低品質CSIサンプルをフル活用し、その知識をユーザが定義した特定のタスクに転送する。
• 参考スコア（独自算出の注目度）: 30.451116905056573
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: WiFi sensing technology has shown superiority in smart homes among various sensors for its cost-effective and privacy-preserving merits. It is empowered by Channel State Information (CSI) extracted from WiFi signals and advanced machine learning models to analyze motion patterns in CSI. Many learning-based models have been proposed for kinds of applications, but they severely suffer from environmental dependency. Though domain adaptation methods have been proposed to tackle this issue, it is not practical to collect high-quality, well-segmented and balanced CSI samples in a new environment for adaptation algorithms, but randomly captured CSI samples can be easily collected. In this paper, we firstly explore how to learn a robust model from these low-quality CSI samples, and propose AutoFi, an automatic WiFi sensing model based on a novel geometric self-supervised learning algorithm. The AutoFi fully utilizes unlabeled low-quality CSI samples that are captured randomly, and then transfers the knowledge to specific tasks defined by users, which is the first work to achieve cross-task transfer in WiFi sensing. The AutoFi is implemented on a pair of Atheros WiFi APs for evaluation. The AutoFi transfers knowledge from randomly collected CSI samples into human gait recognition and achieves state-of-the-art performance. Furthermore, we simulate cross-task transfer using public datasets to further demonstrate its capacity for cross-task learning. For the UT-HAR and Widar datasets, the AutoFi achieves satisfactory results on activity recognition and gesture recognition without any prior training. We believe that the AutoFi takes a huge step toward automatic WiFi sensing without any developer engagement while overcoming the cross-site issue.
• Abstract（参考訳）: WiFiセンサー技術は、コスト効率とプライバシー保護の利点により、さまざまなセンサーの中でスマートホームの優位性を示している。 WiFi信号と高度な機械学習モデルから抽出されたチャネル状態情報(CSI)によって、CSIの動作パターンを分析することができる。 多くの学習に基づくモデルが様々な応用のために提案されているが、環境依存に苦しむ。 この課題に対処するためにドメイン適応法が提案されているが、適応アルゴリズムのための新しい環境において、高品質でよく分断されたバランスの取れたCSIサンプルを収集することは現実的ではない。 本稿では、まず、これらの低品質CSIサンプルからロバストモデルを学習する方法を考察し、新しい幾何学的自己教師付き学習アルゴリズムに基づく自動WiFiセンシングモデルであるAutoFiを提案する。 AutoFiは、ランダムにキャプチャされる未ラベルの低品質CSIサンプルをフル活用し、ユーザによって定義された特定のタスクに知識を転送する。 AutoFiは評価のためにAtheros WiFi APに実装されている。 AutoFiはランダムに収集されたCSIサンプルから人間の歩行認識に知識を伝達し、最先端のパフォーマンスを達成する。 さらに,公開データセットを用いたクロスタスク転送をシミュレートし,クロスタスク学習能力をさらに実証する。 UT-HARとWidarのデータセットでは、AutoFiは事前トレーニングなしでアクティビティ認識とジェスチャー認識に満足な結果が得られる。 われわれはAutoFiがデベロッパーの関与なしに自動WiFiセンシングに向けて大きな一歩を踏み出し、クロスサイト問題を克服していると信じている。

関連論文リスト

• Automatic AI Model Selection for Wireless Systems: Online Learning via Digital Twinning [50.332027356848094]
  AIベースのアプリケーションは、スケジューリングや電力制御などの機能を実行するために、インテリジェントコントローラにデプロイされる。 コンテキストとAIモデルのパラメータのマッピングは、ゼロショット方式で理想的に行われる。 本稿では,AMSマッピングのオンライン最適化のための一般的な手法を紹介する。
  論文  参考訳（メタデータ） (2024-06-22T11:17:50Z)
• AIDE: An Automatic Data Engine for Object Detection in Autonomous Driving [68.73885845181242]
  本稿では,問題を自動的に識別し,データを効率よくキュレートし,自動ラベル付けによりモデルを改善する自動データエンジン(AIDE)を提案する。 さらに,AVデータセットのオープンワールド検出のためのベンチマークを構築し,様々な学習パラダイムを包括的に評価し,提案手法の優れた性能を低コストで実証する。
  論文  参考訳（メタデータ） (2024-03-26T04:27:56Z)
• Autosen: improving automatic wifi human sensing through cross-modal autoencoder [56.44764266426344]
  WiFiによる人間のセンシングは、人間の活動を認識する上での低コストでプライバシー上の利点として高く評価されている。 ラベル付きデータなしで自己教師付き学習を可能にすることを目的とした従来のクロスモーダル手法は、振幅-位相の組み合わせから意味のある特徴を抽出するのに苦労する。 我々は、従来のアプローチから外れた革新的な自動WiFiセンシングソリューションであるAutoSenを紹介する。
  論文  参考訳（メタデータ） (2024-01-08T19:50:02Z)
• 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)
• WiFi-TCN: Temporal Convolution for Human Interaction Recognition based on WiFi signal [4.0773490083614075]
  近年,Wi-Fiによる人間活動認識が注目されている。 Wi-FiベースのHARにまつわる課題は、シーンや被写体が変化するときのパフォーマンスが著しく低下することである。 本稿では,TN-AAと呼ばれる時間的畳み込みネットワークを利用した新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2023-05-21T08:37:32Z)
• Deep Learning and Its Applications to WiFi Human Sensing: A Benchmark and A Tutorial [38.24503926348819]
  本研究では,WiFi センシングのための様々なディープラーニングモデルの有効性を検討するためのベンチマーク SenseFi を提案する。 CSIハードウェアプラットフォームからセンシングアルゴリズムに至るまで、ディープラーニングベースのWiFiセンシングのチュートリアルと見なされている。 われわれの知る限りでは、WiFiセンシング研究におけるディープラーニングのためのオープンソースのライブラリの最初のベンチマークとなる。
  論文  参考訳（メタデータ） (2022-07-16T07:23:45Z)
• Federated Deep Learning Meets Autonomous Vehicle Perception: Design and Verification [168.67190934250868]
  フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。 FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。 マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
  論文  参考訳（メタデータ） (2022-06-03T23:55:45Z)
• AutoQML: Automated Quantum Machine Learning for Wi-Fi Integrated Sensing and Communications [19.06876644658677]
  商用Wi-Fiデバイスは、データを共同で交換し、屋内環境を監視するためにISAC(Integrated Sensent and Communication)に使用できる。 本稿では,自動量子機械学習フレームワークであるAutoAnsatzを用いて,人間のジェスチャーを認識する概念実証手法について検討する。
  論文  参考訳（メタデータ） (2022-05-17T19:38:13Z)
• Learnable Online Graph Representations for 3D Multi-Object Tracking [156.58876381318402]
  3D MOT問題に対する統一型学習型アプローチを提案します。 我々は、完全にトレーニング可能なデータアソシエーションにNeural Message Passing Networkを使用します。 AMOTAの65.6%の最先端性能と58%のIDスウィッチを達成して、公開可能なnuScenesデータセットに対する提案手法のメリットを示す。
  論文  参考訳（メタデータ） (2021-04-23T17:59:28Z)
• Federated Learning in Vehicular Networks [41.89469856322786]
  フェデレートラーニング(FL)フレームワークは、トランスミッションオーバーヘッドを減らすことを目的として、効率的なツールとして導入された。 本稿では,車載ネットワークアプリケーションにおける一元学習(CL)によるFLを用いたインテリジェント交通システムの構築について検討する。 データラベリングやモデルトレーニングといった学習の観点からも,コミュニケーションの観点からも,データレート,信頼性,送信オーバーヘッド,プライバシ,リソース管理といった面から,大きな課題を識別する。
  論文  参考訳（メタデータ） (2020-06-02T06:32:59Z)

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。