論文の概要: Deep Learning and Its Applications to WiFi Human Sensing: A Benchmark
and A Tutorial
- arxiv url: http://arxiv.org/abs/2207.07859v1
- Date: Sat, 16 Jul 2022 07:23:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-19 15:44:30.718680
- Title: Deep Learning and Its Applications to WiFi Human Sensing: A Benchmark
and A Tutorial
- Title（参考訳）: 深層学習とWiFiヒューマンセンシングへの応用:ベンチマークとチュートリアル
- Authors: Jianfei Yang, Xinyan Chen, Dazhuo Wang, Han Zou, Chris Xiaoxuan Lu,
Sumei Sun, Lihua Xie
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 38.24503926348819
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: WiFi sensing has been evolving rapidly in recent years. Empowered by
propagation models and deep learning methods, many challenging applications are
realized such as WiFi-based human activity recognition and gesture recognition.
However, in contrast to deep learning for visual recognition and natural
language processing, no sufficiently comprehensive public benchmark exists. In
this paper, we highlight the recent progress on deep learning enabled WiFi
sensing, and then propose a benchmark, SenseFi, to study the effectiveness of
various deep learning models for WiFi sensing. These advanced models are
compared in terms of distinct sensing tasks, WiFi platforms, recognition
accuracy, model size, computational complexity, feature transferability, and
adaptability of unsupervised learning. It is also regarded as a tutorial for
deep learning based WiFi sensing, starting from CSI hardware platform to
sensing algorithms. The extensive experiments provide us with experiences in
deep model design, learning strategy skills and training techniques for
real-world applications. To the best of our knowledge, this is the first
benchmark with an open-source library for deep learning in WiFi sensing
research. The benchmark codes are available at
https://github.com/CHENXINYAN-sg/WiFi-CSI-Sensing-Benchmark.
- Abstract（参考訳）: 近年、WiFiセンサーは急速に進化している。
伝播モデルや深層学習の手法を応用して、WiFiベースの人間行動認識やジェスチャー認識など、多くの挑戦的な応用が実現されている。
しかし、視覚認識や自然言語処理のディープラーニングとは対照的に、十分に包括的な公開ベンチマークは存在しない。
本稿では, 深層学習によるWiFiセンシングの最近の進歩に注目し, そして, 各種深層学習モデルのWiFiセンシングへの適用性を検討するためのベンチマークSenseFiを提案する。
これらの高度なモデルは、異なるセンシングタスク、wifiプラットフォーム、認識精度、モデルサイズ、計算複雑性、特徴伝達可能性、教師なし学習の適応性の観点から比較される。
また、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。
広範な実験によって、実世界のアプリケーションのための深いモデル設計、学習戦略スキル、トレーニングテクニックの経験が得られます。
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。
ベンチマークコードはhttps://github.com/CHENXINYAN-sg/WiFi-CSI-Sensing-Benchmarkで公開されている。
関連論文リスト
- FedOpenHAR: Federated Multi-Task Transfer Learning for Sensor-Based
Human Activity Recognition [0.0]
本稿では,センサを用いた人間行動認識とデバイス位置識別の両課題に対して,フェデレート・トランスファー・ラーニングをマルチタスク方式で検討する。
OpenHARフレームワークは10個の小さなデータセットを含むモデルをトレーニングするために使用される。
タスク固有でパーソナライズされたフェデレーションモデルを用いたトランスファーラーニングとトレーニングにより、各クライアントを個別に訓練し、完全集中型アプローチよりも高い精度で学習した。
論文 参考訳（メタデータ） (2023-11-13T21:31:07Z) - ALSO: Automotive Lidar Self-supervision by Occupancy estimation [70.70557577874155]
本稿では,ポイントクラウド上で動作している深層知覚モデルのバックボーンを事前学習するための自己教師型手法を提案する。
中心となる考え方は、3Dポイントがサンプリングされる表面の再構成であるプリテキストタスクでモデルをトレーニングすることである。
直感的には、もしネットワークがわずかな入力ポイントのみを考慮し、シーン表面を再構築できるなら、おそらく意味情報の断片をキャプチャする。
論文 参考訳（メタデータ） (2022-12-12T13:10:19Z) - ALBench: A Framework for Evaluating Active Learning in Object Detection [102.81795062493536]
本稿では、オブジェクト検出におけるアクティブラーニングを評価するために、ALBenchという名前のアクティブラーニングベンチマークフレームワークをコントリビュートする。
自動深層モデルトレーニングシステム上で開発されたこのALBenchフレームワークは、使いやすく、さまざまなアクティブな学習アルゴリズムと互換性があり、同じトレーニングおよびテストプロトコルを保証する。
論文 参考訳（メタデータ） (2022-07-27T07:46:23Z) - Hands-on Wireless Sensing with Wi-Fi: A Tutorial [7.8774878397748065]
このチュートリアルでは、Wi-Fiセンシングを例に挙げる。
データ収集、信号処理、特徴抽出、モデル設計の理論的原則とコード実装の両方を導入している。
論文 参考訳（メタデータ） (2022-06-20T01:53:35Z) - A Wireless-Vision Dataset for Privacy Preserving Human Activity
Recognition [53.41825941088989]
アクティビティ認識の堅牢性を改善するため,WiNN(WiFi-based and video-based neural network)が提案されている。
以上の結果から,WiViデータセットは一次需要を満足し,パイプライン内の3つのブランチはすべて,80%以上のアクティビティ認識精度を維持していることがわかった。
論文 参考訳（メタデータ） (2022-05-24T10:49:11Z) - AutoFi: Towards Automatic WiFi Human Sensing via Geometric
Self-Supervised Learning [30.451116905056573]
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。
論文 参考訳（メタデータ） (2022-04-12T04:55:17Z) - EfficientFi: Towards Large-Scale Lightweight WiFi Sensing via CSI
Compression [28.383494189730268]
EfficientFiは、IoTクラウドに対応した最初のWiFiセンシングフレームワークである。
CSIデータを1.368Mb/sから0.768Kb/sに圧縮する。
人間の行動認識の精度は98%を超えている。
論文 参考訳（メタデータ） (2022-04-08T15:48:41Z) - Self-Supervised WiFi-Based Activity Recognition [3.4473723375416188]
屋内環境における受動的活動認識のためのWi-Fiデバイスから微細な物理層情報を抽出する。
自己監督型コントラスト学習による活動認識性能の向上を提案する。
WiFiによる活動認識のタスクにおいて,マクロ平均F1スコアの17.7%の増加が観察された。
論文 参考訳（メタデータ） (2021-04-19T06:40:21Z) - Federated and continual learning for classification tasks in a society
of devices [59.45414406974091]
Light Federated and Continual Consensus (LFedCon2)は、軽量で伝統的な学習者を用いた新しいフェデレーションおよび継続アーキテクチャである。
我々の方法では、スマートフォンやロボットのような無力デバイスが、リアルタイムで、ローカルで、継続的に、自律的に、そしてユーザーから学習することができる。
提案手法をスマートフォン利用者の異種コミュニティに適用し,歩行認識の課題を解決した。
論文 参考訳（メタデータ） (2020-06-12T12:37:03Z) - Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and
On-Device Inference [49.88536971774444]
慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。
正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。
我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
論文 参考訳（メタデータ） (2020-01-13T04:41:54Z)
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。