論文の概要: AirFi: Empowering WiFi-based Passive Human Gesture Recognition to Unseen Environment via Domain Generalization

• arxiv url: http://arxiv.org/abs/2209.10285v1
• Date: Wed, 21 Sep 2022 11:54:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-22 17:00:57.903677
• Title: AirFi: Empowering WiFi-based Passive Human Gesture Recognition to Unseen Environment via Domain Generalization
• Title（参考訳）: airfi: ドメインの一般化により、wi-fiベースのパッシブヒューマンジェスチャ認識を未認識環境にもたらす
• Authors: Dazhuo Wang, Jianfei Yang, Wei Cui, Lihua Xie, Sumei Sun
• Abstract要約: 本研究では,AirFi という新しい環境不変なロバストなWiFiジェスチャー認識システムを提案する。 AirFiは、異なる環境に関わらずCSIの重要な部分を学び、モデルを目に見えないシナリオに一般化する。 最先端の方法と比較して、AirFiは、新しい環境からCSIデータを取得することなく、異なる環境設定で動作することができる。
• 参考スコア（独自算出の注目度）: 38.65597973075208
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: WiFi-based smart human sensing technology enabled by Channel State Information (CSI) has received great attention in recent years. However, CSI-based sensing systems suffer from performance degradation when deployed in different environments. Existing works solve this problem by domain adaptation using massive unlabeled high-quality data from the new environment, which is usually unavailable in practice. In this paper, we propose a novel augmented environment-invariant robust WiFi gesture recognition system named AirFi that deals with the issue of environment dependency from a new perspective. The AirFi is a novel domain generalization framework that learns the critical part of CSI regardless of different environments and generalizes the model to unseen scenarios, which does not require collecting any data for adaptation to the new environment. AirFi extracts the common features from several training environment settings and minimizes the distribution differences among them. The feature is further augmented to be more robust to environments. Moreover, the system can be further improved by few-shot learning techniques. Compared to state-of-the-art methods, AirFi is able to work in different environment settings without acquiring any CSI data from the new environment. The experimental results demonstrate that our system remains robust in the new environment and outperforms the compared systems.
• Abstract（参考訳）: チャネル状態情報(csi)によるwi-fiベースのスマートヒューマンセンシング技術が近年注目されている。 しかし、csiベースのセンシングシステムは、異なる環境にデプロイすると性能が低下する。 既存の作業では、新しい環境から大量のラベルなしの高品質データを使用してドメイン適応を行うことでこの問題を解決している。 本稿では,新しい視点から環境依存の問題に対処する,拡張環境不変の頑健なWi-Fiジェスチャー認識システムAirFiを提案する。 AirFiは、異なる環境によらずCSIの重要な部分を学習し、新しい環境に適応するためのデータを収集する必要のないシナリオにモデルを一般化する新しいドメイン一般化フレームワークである。 AirFiは、いくつかのトレーニング環境設定から共通の特徴を抽出し、それらの違いを最小化する。 この機能は環境に対してより堅牢になるよう拡張されている。 さらに, 少人数学習技術により, システムをさらに改善することができる。 最先端の手法と比較して、airfiは新しい環境からcsiデータを取得することなく、異なる環境設定で動作することができる。 実験の結果,本システムは新環境においても頑健であり,比較したシステムよりも優れていた。

関連論文リスト

• Distributed Learning for UAV Swarms [8.184696905809473]
  フェデレートラーニング(FL)は、UAVが生データを共有せずにグローバルモデルを協調的にトレーニングすることを可能にする。 FLは、UAVが生データを共有せずに協調的にグローバルモデルを訓練することを可能にするが、UAVが収集したデータの非独立性と独立性(非IID)の性質のため、課題が発生する。
  論文  参考訳（メタデータ） (2024-10-21T11:01:44Z)
• Spatio-Temporal 3D Point Clouds from WiFi-CSI Data via Transformer Networks [2.084922791522632]
  5Gネットワークと6Gネットワークのキーコンポーネントとして、ジョイントコミュニケーションとセンシング(JC&S)が登場している。 本稿では,時間的チャネル状態情報(CSI)データ,特に振幅と位相を処理するトランスフォーマーアーキテクチャを提案し,室内環境の3次元点雲を生成する。
  論文  参考訳（メタデータ） (2024-10-07T08:59:04Z)
• A Behavior-Aware Approach for Deep Reinforcement Learning in Non-stationary Environments without Known Change Points [30.077746056549678]
  本研究では,環境変化検出と行動適応を融合させる革新的なフレームワークである行動認識検出適応(BADA)を紹介する。 我々の手法の背後にある重要なインスピレーションは、ポリシーが環境の変化に異なるグローバルな振る舞いを示すことである。 一連の実験の結果は、現在のアルゴリズムと比較して優れた性能を示している。
  論文  参考訳（メタデータ） (2024-05-23T06:17:26Z)
• GraSens: A Gabor Residual Anti-aliasing Sensing Framework for Action Recognition using WiFi [52.530330427538885]
  WiFiベースのヒューマンアクション認識(HAR)は、スマートリビングやリモート監視といったアプリケーションにおいて、有望なソリューションと見なされている。 本稿では,無線機器からのWiFi信号を用いた動作を,多様なシナリオで直接認識する,エンド・ツー・エンドのGabor残差検知ネットワーク(GraSens)を提案する。
  論文  参考訳（メタデータ） (2022-05-24T10:20:16Z)
• Multiple-environment Self-adaptive Network for Aerial-view Geo-localization [85.52750931345287]
  航空ビューのジオローカライゼーションは、ドローンビュー画像とジオタグの衛星ビュー画像とをマッチングすることにより、未知の位置を決定する傾向がある。 本研究では,環境変化に伴う領域シフトを調整するために,マルチ環境自己適応ネットワーク(MuSe-Net)を提案する。 特に、MuSe-Netは、1つの多重環境スタイル抽出ネットワークと1つの自己適応的特徴抽出ネットワークを含む2分岐ニューラルネットワークを使用している。
  論文  参考訳（メタデータ） (2022-04-18T16:04:29Z)
• EnvEdit: Environment Editing for Vision-and-Language Navigation [98.30038910061894]
  Vision-and-Language Navigation (VLN)では、エージェントは自然言語命令に基づいて環境をナビゲートする必要がある。 本研究では,既存の環境を編集して新しい環境を作成するデータ拡張手法であるEnvEditを提案する。 提案手法は,事前学習および未学習のVLNエージェントにおいて,すべての指標において有意な改善が得られたことを示す。
  論文  参考訳（メタデータ） (2022-03-29T15:44:32Z)
• Learning to Continuously Optimize Wireless Resource In Episodically Dynamic Environment [55.91291559442884]
  この研究は、データ駆動型手法が動的環境で継続的に学習し、最適化できる方法論を開発する。 本稿では,無線システム学習のモデリングプロセスに連続学習の概念を構築することを提案する。 我々の設計は、異なるデータサンプル間で「一定の公正性を保証する」新しいmin-maxの定式化に基づいている。
  論文  参考訳（メタデータ） (2020-11-16T08:24:34Z)
• Self-Supervised Policy Adaptation during Deployment [98.25486842109936]
  セルフスーパービジョンでは、報酬を使わずに、デプロイ後のトレーニングを継続することができる。 DeepMind Control スイートと ViZDoom の様々なシミュレーション環境で実証評価を行う。 提案手法は,36環境中31環境での一般化を向上し,多くの環境においてドメインランダム化に優れる。
  論文  参考訳（メタデータ） (2020-07-08T17:56:27Z)

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。