論文の概要: Gesture Recognition with mmWave Wi-Fi Access Points: Lessons Learned
- arxiv url: http://arxiv.org/abs/2306.17062v1
- Date: Thu, 29 Jun 2023 16:10:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-30 12:39:58.809355
- Title: Gesture Recognition with mmWave Wi-Fi Access Points: Lessons Learned
- Title（参考訳）: mmWave Wi-Fiアクセスポイントを用いたジェスチャー認識:学習
- Authors: Nabeel Nisar Bhat, Rafael Berkvens, Jeroen Famaey
- Abstract要約: ジェスチャー認識/位置推定のためのmmWave (60 GHz) のWi-Fi信号について検討する。
このため、IEEE 802.11ad デバイスを用いた周期ビームトレーニングからビーム信号-雑音比(SNR)を抽出する。
ディープニューラルネットワーク(DNN)は、単一の環境で96.7%の精度でビームSNRタスクの有望な結果を達成する。
- 参考スコア（独自算出の注目度）: 3.5711957833616235
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, channel state information (CSI) at sub-6 GHz has been widely
exploited for Wi-Fi sensing, particularly for activity and gesture recognition.
In this work, we instead explore mmWave (60 GHz) Wi-Fi signals for gesture
recognition/pose estimation. Our focus is on the mmWave Wi-Fi signals so that
they can be used not only for high data rate communication but also for
improved sensing e.g., for extended reality (XR) applications. For this reason,
we extract spatial beam signal-to-noise ratios (SNRs) from the periodic beam
training employed by IEEE 802.11ad devices. We consider a set of 10
gestures/poses motivated by XR applications. We conduct experiments in two
environments and with three people.As a comparison, we also collect CSI from
IEEE 802.11ac devices. To extract features from the CSI and the beam SNR, we
leverage a deep neural network (DNN). The DNN classifier achieves promising
results on the beam SNR task with state-of-the-art 96.7% accuracy in a single
environment, even with a limited dataset. We also investigate the robustness of
the beam SNR against CSI across different environments. Our experiments reveal
that features from the CSI generalize without additional re-training, while
those from beam SNRs do not. Therefore, re-training is required in the latter
case.
- Abstract（参考訳）: 近年、サブ6GHzのチャネル状態情報(CSI)はWi-Fiセンシング、特にアクティビティやジェスチャー認識に広く利用されている。
本研究では,ジェスチャー認識/位置推定のためのmmwave (60 ghz) wi-fi信号について検討する。
我々は、mmwave wi-fi信号に焦点をあて、高データレート通信だけでなく、拡張現実感(xr)アプリケーションのためのセンシングの改善にも活用できるようにしています。
このため,IEEE 802.11ad デバイスを用いた周期ビームトレーニングから空間ビーム信号-雑音比(SNR)を抽出する。
XRアプリケーションによる10のジェスチャー/目的のセットについて検討する。
2つの環境と3人で実験を行い,ieee 802.11acデバイスからcsiを収集した。
CSIとビームSNRから特徴を抽出するために、ディープニューラルネットワーク(DNN)を利用する。
DNN分類器は、限られたデータセットであっても単一の環境で96.7%の精度でビームSNRタスクの有望な結果を達成する。
また,ビームSNRのCSIに対する堅牢性についても検討した。
実験の結果,CSIの特徴は再トレーニングを伴わずに一般化するが,ビームSNRは一般化しないことがわかった。
そのため、後者では再訓練が必要である。
関連論文リスト
- Faster Region-Based CNN Spectrum Sensing and Signal Identification in
Cluttered RF Environments [0.7734726150561088]
高速領域ベース畳み込みニューラルネットワーク(FRCNN)を1次元(1次元)信号処理と電磁スペクトルセンシングに最適化する。
その結果,本手法はローカライズ性能が向上し,2次元同値よりも高速であることがわかった。
論文 参考訳（メタデータ） (2023-02-20T09:35:13Z) - Exposing the CSI: A Systematic Investigation of CSI-based Wi-Fi Sensing
Capabilities and Limitations [16.819111460629397]
この研究は、Wi-Fi 6の機能がセンシング性能に与える影響を明らかにし、将来のWi-Fiセンシング研究のためのベンチマークを作成することを目的としている。
我々は,Wi-Fi 6信号を用いて,3人,3環境,12活動を含む広範囲なCSIデータ収集キャンペーンを実施している。
ビデオ記録によって得られた匿名化された地上の真実は、3つのコレクターから約2時間分のCSIデータを含む80GBのデータセットを伴っている。
論文 参考訳（メタデータ） (2023-02-02T10:21:00Z) - DensePose From WiFi [86.61881052177228]
WiFi信号の位相と振幅を24のヒト領域内の紫外線座標にマッピングするディープニューラルネットワークを開発した。
本モデルでは,複数の被験者の密集したポーズを,画像に基づくアプローチと同等の性能で推定することができる。
論文 参考訳（メタデータ） (2022-12-31T16:48:43Z) - Hand gesture recognition using 802.11ad mmWave sensor in the mobile
device [2.5476515662939563]
スマートフォンにおける802.11ad 60GHz (mmWave) 技術を用いたAI支援手振り認識の実現可能性について検討する。
我々は、時間分割デュプレックス(TDD)によってレーダーセンシングと通信波形が共存できるプロトタイプシステムを構築した。
センシングデータを収集し、100ミリ秒以内にジェスチャーを予測する。
論文 参考訳（メタデータ） (2022-11-14T03:36:17Z) - NVRadarNet: Real-Time Radar Obstacle and Free Space Detection for
Autonomous Driving [57.03126447713602]
本稿では,自動車のRADARセンサを用いて動的障害物や乾燥可能な自由空間を検出するディープニューラルネットワーク(DNN)を提案する。
ネットワークは組み込みGPU上でリアルタイムよりも高速に動作し、地理的領域にわたって優れた一般化を示す。
論文 参考訳（メタデータ） (2022-09-29T01:30:34Z) - 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) - A CNN Approach for 5G mmWave Positioning Using Beamformed CSI
Measurements [0.5685944521394608]
我々は,5Gニューラジオ(NR)指紋を用いた畳み込みニューラルネットワーク(CNN)を訓練することで,AIの力を利用する。
都市部からレイトレーシング方式の5G NR CSIを収集し,CNNを訓練するための基準地点で,BS(基地局)からの信号のCSIデータを収集する。
その結果, 特定都市環境を対象としたトレーニングネットワークでは, 平均誤差0.98mでUE位置を推定できることがわかった。
論文 参考訳（メタデータ） (2022-04-30T14:33:04Z) - Oriented R-CNN for Object Detection [61.78746189807462]
本研究では、オブジェクト指向R-CNNと呼ばれる、効果的でシンプルなオブジェクト指向オブジェクト検出フレームワークを提案する。
第1段階では,高品質な指向型提案をほぼ無償で直接生成する指向型領域提案ネットワーク(指向RPN)を提案する。
第2段階は、R-CNNヘッダーで、興味のある領域(オブジェクト指向のRoI)を精製し、認識する。
論文 参考訳（メタデータ） (2021-08-12T12:47:43Z) - Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。
我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。
私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
論文 参考訳（メタデータ） (2020-11-17T12:52:18Z) - Near-chip Dynamic Vision Filtering for Low-Bandwidth Pedestrian
Detection [99.94079901071163]
本稿では、ダイナミックビジョンセンサ(DVS)を用いた歩行者検出のための新しいエンドツーエンドシステムを提案する。
我々は、複数のセンサがローカル処理ユニットにデータを送信し、検出アルゴリズムを実行するアプリケーションをターゲットにしている。
我々の検出器は450ミリ秒毎に検出を行うことができ、総合的なテストF1スコアは83%である。
論文 参考訳（メタデータ） (2020-04-03T17:36:26Z) - Centimeter-Level Indoor Localization using Channel State Information
with Recurrent Neural Networks [12.193558591962754]
本稿では,線形アンテナから収集した実CSIデータを用いて,センチメートルレベルの屋内位置推定を行うニューラルネットワーク手法を提案する。
チャネル応答の振幅または相関行列を入力として使用することにより、データサイズを大幅に削減し、ノイズを抑制することができる。
また、リカレントニューラルネットワーク(RNN)と信号雑音比(SNR)情報によるユーザ動作軌跡の整合性を利用して、推定精度をさらに向上する。
論文 参考訳（メタデータ） (2020-02-04T17:10:18Z)
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。