論文の概要: Unsupervised Learning for Human Sensing Using Radio Signals
- arxiv url: http://arxiv.org/abs/2207.02370v1
- Date: Wed, 6 Jul 2022 00:28:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-08 02:35:25.208919
- Title: Unsupervised Learning for Human Sensing Using Radio Signals
- Title（参考訳）: 無線信号を用いた人間センシングのための教師なし学習
- Authors: Tianhong Li, Lijie Fan, Yuan Yuan, Dina Katabi
- Abstract要約: 本稿では,RF信号に対するRGBに基づく教師なし表現学習の実現可能性について検討する。
画像やビデオから教師なし表現学習を行う主要な手法としてコントラスト学習が登場したが、RF信号を用いた人体検知に適用した場合、そのような手法は性能が劣っていることを示す。
対照的に、予測的教師なし学習法は、複数の下流RFベースのセンシングタスクに使用できる高品質な表現を学習する。
- 参考スコア（独自算出の注目度）: 29.118868792782937
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: There is a growing literature demonstrating the feasibility of using Radio
Frequency (RF) signals to enable key computer vision tasks in the presence of
occlusions and poor lighting. It leverages that RF signals traverse walls and
occlusions to deliver through-wall pose estimation, action recognition, scene
captioning, and human re-identification. However, unlike RGB datasets which can
be labeled by human workers, labeling RF signals is a daunting task because
such signals are not human interpretable. Yet, it is fairly easy to collect
unlabelled RF signals. It would be highly beneficial to use such unlabeled RF
data to learn useful representations in an unsupervised manner. Thus, in this
paper, we explore the feasibility of adapting RGB-based unsupervised
representation learning to RF signals. We show that while contrastive learning
has emerged as the main technique for unsupervised representation learning from
images and videos, such methods produce poor performance when applied to
sensing humans using RF signals. In contrast, predictive unsupervised learning
methods learn high-quality representations that can be used for multiple
downstream RF-based sensing tasks. Our empirical results show that this
approach outperforms state-of-the-art RF-based human sensing on various tasks,
opening the possibility of unsupervised representation learning from this novel
modality.
- Abstract（参考訳）: 電波周波数(RF)信号を用いて、オクルージョンや照明不足の存在下で重要なコンピュータビジョンタスクを可能にする可能性を示す文献が増えている。
rf信号が壁や咬合を横切ることで、壁越しのポーズ推定、行動認識、シーンキャプション、人間の再識別を提供する。
しかし、人間の作業員によってラベル付けできるRGBデータセットとは異なり、RF信号のラベル付けは人間の解釈不可能な作業である。
しかし、未標識のRF信号の収集は比較的容易である。
このようなラベルのないRFデータを使って、教師なしの方法で有用な表現を学ぶことは、非常に有益である。
そこで本稿では,RGBに基づく教師なし表現学習をRF信号に適用する可能性を検討する。
画像や映像から教師なし表現を学習するための主手法としてコントラスト学習が出現しているが,rf信号を用いた人間知覚に適用すると,その性能は低下する。
対照的に、予測的教師なし学習法は、複数の下流RFベースのセンシングタスクに使用できる高品質な表現を学習する。
実験結果から,このアプローチは様々なタスクにおけるrfベースの人間センシングよりも優れており,この新しいモダリティから教師なし表現学習の可能性も開けている。
関連論文リスト
- NeRF-VPT: Learning Novel View Representations with Neural Radiance
Fields via View Prompt Tuning [63.39461847093663]
本研究では,これらの課題に対処するための新しいビュー合成手法であるNeRF-VPTを提案する。
提案するNeRF-VPTは、先行レンダリング結果から得られたRGB情報を、その後のレンダリングステージのインストラクティブな視覚的プロンプトとして機能するカスケーディングビュープロンプトチューニングパラダイムを用いている。
NeRF-VPTは、追加のガイダンスや複雑なテクニックに頼ることなく、トレーニングステージ毎に前のステージレンダリングからRGBデータをサンプリングするだけである。
論文 参考訳（メタデータ） (2024-03-02T22:08:10Z) - MEIL-NeRF: Memory-Efficient Incremental Learning of Neural Radiance
Fields [49.68916478541697]
我々は、NeRF(MEIL-NeRF)のためのメモリ効率の良いインクリメンタル学習アルゴリズムを開発した。
MEIL-NeRFはNeRF自体からインスピレーションを得て、ニューラルネットワークがクエリとして与えられたピクセルRGB値を提供するメモリとして機能する。
その結果、MEIL-NeRFはメモリ消費と競合性能を一定に示すことができた。
論文 参考訳（メタデータ） (2022-12-16T08:04:56Z) - Disentangled Representation Learning for RF Fingerprint Extraction under
Unknown Channel Statistics [77.13542705329328]
本稿では,まず,不整合表現学習(DRL)の枠組みを提案し,入力信号を逆学習によりデバイス関連成分とデバイス関連成分に分解する。
提案フレームワークにおける暗黙的なデータ拡張は、デバイス非関連チャネル統計の過度な適合を避けるために、RFF抽出器に正規化を課す。
実験により、DR-RFFと呼ばれる提案手法は、未知の複雑な伝播環境に対する一般化可能性の観点から従来の手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2022-08-04T15:46:48Z) - Self-Supervised RF Signal Representation Learning for NextG Signal
Classification with Deep Learning [5.624291722263331]
自己教師付き学習は、無線周波数(RF)信号自体から有用な表現を学習することを可能にする。
自己教師型学習による信号表現の学習により,AMRのサンプル効率(精度向上に必要なラベル付きサンプル数)を大幅に向上できることを示す。
論文 参考訳（メタデータ） (2022-07-07T02:07:03Z) - NeRF-Supervision: Learning Dense Object Descriptors from Neural Radiance
Fields [54.27264716713327]
シーンのニューラル・ラジアンス・フィールド(NeRF)表現は,高密度物体記述子の訓練に利用できることを示す。
我々は、最適化されたNeRFを用いて、オブジェクトの複数のビュー間の密接な対応を抽出し、これらの対応を、オブジェクトのビュー不変表現を学習するためのトレーニングデータとして使用する。
また,本手法により教師されたディエンス対応モデルは,市販の学習ディスクリプタよりも106%優れていた。
論文 参考訳（メタデータ） (2022-03-03T18:49:57Z) - RFGAN: RF-Based Human Synthesis [9.709890321556204]
本稿では,新しいクロスモーダルRFGANモデルを導入することにより,微細な光学的人間の画像を生成することを目的とする。
我々の知る限りでは、RF信号に基づいて光学画像を生成するのはこれが初めてである。
論文 参考訳（メタデータ） (2021-12-07T14:34:35Z) - NeRF-SR: High-Quality Neural Radiance Fields using Super-Sampling [82.99453001445478]
主に低分解能(LR)入力を用いた高分解能(HR)新規ビュー合成のソリューションであるNeRF-SRを提案する。
提案手法は,多層パーセプトロンを用いて各点密度と色を予測するニューラルレージアンス場(NeRF)上に構築されている。
論文 参考訳（メタデータ） (2021-12-03T07:33:47Z) - Spectro-Temporal RF Identification using Deep Learning [3.8137985834223507]
WRISTは、分光時間検出、フレームワーク、システムを備えた広帯域リアルタイムRF識別システムである。
得られたディープラーニングモデルは、時間と周波数のRF放射を検出し、分類し、正確に検出することができる。
WRIST検出器は、野生の非常に密集した環境でも平均的な平均精度が90に達する。
論文 参考訳（メタデータ） (2021-07-11T19:02:07Z) - FedRec: Federated Learning of Universal Receivers over Fading Channels [92.15358738530037]
本稿では,ダウンリンクフェージングチャネルに対するニューラルネットワークを用いたシンボル検出手法を提案する。
複数のユーザが協力して、普遍的なデータ駆動型検出器を学習する。
得られた受信機の性能は、フェーディング統計の知識を必要とせずに、様々なチャネル条件下でMAP性能に近づくことを示す。
論文 参考訳（メタデータ） (2020-11-14T11:29:55Z) - Learning Longterm Representations for Person Re-Identification Using
Radio Signals [26.900504973871122]
人物再同定(ReID)は、異なる場所や時間にわたって関心のある人物を認識することを目的としている。
本稿では,無線周波数(RF)信号を長期人物ReIDに適用する新しいアプローチであるRF-ReIDを紹介する。
RF-ReIDは、長期人物ReIDに対して最先端のRGBベースのReIDアプローチより優れている。
論文 参考訳（メタデータ） (2020-04-02T15:50:42Z) - Harvesting Ambient RF for Presence Detection Through Deep Learning [12.535149305258171]
本稿では,深層学習による人的存在検出における環境無線周波数(RF)信号の利用について検討する。
WiFi信号を例として,受信機で取得したチャネル状態情報(CSI)が伝搬環境に関する豊富な情報を含んでいることを示す。
畳み込みニューラルネットワーク(CNN)は、大きさと位相情報の両方を適切に訓練し、信頼性の高い存在検出を実現するように設計されている。
論文 参考訳（メタデータ） (2020-02-13T20:35:55Z)
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。