論文の概要: Autosen: improving automatic wifi human sensing through cross-modal autoencoder

• arxiv url: http://arxiv.org/abs/2401.05440v1
• Date: Mon, 8 Jan 2024 19:50:02 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-13 02:30:11.456533
• Title: Autosen: improving automatic wifi human sensing through cross-modal autoencoder
• Title（参考訳）: Autosen: クロスモーダルオートエンコーダによるWi-Fi自動センシングの改善
• Authors: Qian Gao, Yanling Hao, Yuanwei Liu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 56.44764266426344
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: WiFi human sensing is highly regarded for its low-cost and privacy advantages in recognizing human activities. However, its effectiveness is largely confined to controlled, single-user, line-of-sight settings, limited by data collection complexities and the scarcity of labeled datasets. Traditional cross-modal methods, aimed at mitigating these limitations by enabling self-supervised learning without labeled data, struggle to extract meaningful features from amplitude-phase combinations. In response, we introduce AutoSen, an innovative automatic WiFi sensing solution that departs from conventional approaches. AutoSen establishes a direct link between amplitude and phase through automated cross-modal autoencoder learning. This autoencoder efficiently extracts valuable features from unlabeled CSI data, encompassing amplitude and phase information while eliminating their respective unique noises. These features are then leveraged for specific tasks using few-shot learning techniques. AutoSen's performance is rigorously evaluated on a publicly accessible benchmark dataset, demonstrating its exceptional capabilities in automatic WiFi sensing through the extraction of comprehensive cross-modal features.
• Abstract（参考訳）: wifi人間センシングは、人間の活動を認識する際の低コストかつプライバシー上の利点として高く評価されている。 しかしながら、その有効性は、データ収集の複雑さとラベル付きデータセットの不足によって制限される、コントロールされたシングルユーザ、ライン・オブ・セッティングに限られている。 従来のクロスモーダルな手法は、ラベル付きデータなしで自己教師付き学習を行うことによってこれらの制限を緩和することを目的としており、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している。 そこで我々は,従来のアプローチから離れた,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。 AutoSenは、自動モーダルオートエンコーダ学習を通じて振幅と位相を直接リンクする。 このオートエンコーダは、ラベルのないCSIデータから有用な特徴を効率よく抽出し、振幅と位相情報を包含し、それぞれ独自のノイズを除去する。 これらの機能は、マイトショット学習技術を使って、特定のタスクに活用される。 AutoSenのパフォーマンスは、広くアクセス可能なベンチマークデータセットで厳格に評価されており、包括的なクロスモーダル機能の抽出を通じて、自動WiFiセンシングにおける例外的な能力を実証している。

関連論文リスト

• 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)
• 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)
• AutoFed: Heterogeneity-Aware Federated Multimodal Learning for Robust Autonomous Driving [15.486799633600423]
  AutoFedは、自動運転車のマルチモーダルセンサーデータをフル活用するためのフレームワークである。 本研究では, 未知の物体を背景として誤って扱うことを避けるために, 擬似ラベルを用いた新しいモデルを提案する。 また、欠落したデータモダリティを補うために、オートエンコーダに基づくデータ計算手法を提案する。
  論文  参考訳（メタデータ） (2023-02-17T01:31:53Z)
• 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)
• ITSA: An Information-Theoretic Approach to Automatic Shortcut Avoidance and Domain Generalization in Stereo Matching Networks [14.306250516592305]
  ステレオマッチングネットワークにおける特徴表現の学習は,合成データアーチファクトに大きく影響されていることを示す。 我々は,情報理論的ショートカット回避(ITSA)アプローチを提案し,ショートカット関連情報を特徴表現にエンコードすることを自動的に制限する。 この手法を用いることで、合成データに基づいて純粋に訓練された最先端のステレオマッチングネットワークを効果的に一般化し、以前には見つからなかった実際のデータシナリオを実現することができることを示す。
  論文  参考訳（メタデータ） (2022-01-06T22:03:50Z)
• Robust Semi-supervised Federated Learning for Images Automatic Recognition in Internet of Drones [57.468730437381076]
  プライバシー保護型UAV画像認識のための半教師付きフェデレートラーニング(SSFL)フレームワークを提案する。 異なるカメラモジュールを使用したUAVによって収集されたローカルデータの数、特徴、分布には大きな違いがある。 本稿では,クライアントがトレーニングに参加する頻度,すなわちFedFreqアグリゲーションルールに基づくアグリゲーションルールを提案する。
  論文  参考訳（メタデータ） (2022-01-03T16:49:33Z)
• An Automated Machine Learning (AutoML) Method for Driving Distraction Detection Based on Lane-Keeping Performance [2.3951613028271397]
  本研究では,ドメイン固有自動機械学習(AutoML)を提案し,最適なモデルを自己学習して気晴らしを検出する。 提案したAutoGBM法は,電話による運転障害の予測に信頼性があり,有望であることがわかった。 目的のautogbmは、少ない機能でより良いパフォーマンスを生み出すだけでなく、システム設計に関するデータ駆動の洞察を提供する。
  論文  参考訳（メタデータ） (2021-03-10T12:37:18Z)
• Universal Embeddings for Spatio-Temporal Tagging of Self-Driving Logs [72.67604044776662]
  我々は、生のセンサデータから、自動運転シーンの時間的タグ付けの問題に取り組む。 提案手法では,全てのタグに対する普遍的な埋め込みを学習し,多くの属性を効率的にタグ付けし,限られたデータで新しい属性を高速に学習する。
  論文  参考訳（メタデータ） (2020-11-12T02:18:16Z)
• Federated Self-Supervised Learning of Multi-Sensor Representations for Embedded Intelligence [8.110949636804772]
  スマートフォン、ウェアラブル、IoT(Internet of Things)デバイスは、教師付きモデルを学習するための集中リポジトリに蓄積できない豊富なデータを生成する。 本稿では,ウェーブレット変換に基づくテキストカルグラム・信号対応学習という自己教師付きアプローチを提案し,ラベルなしセンサ入力から有用な表現を学習する。 さまざまなパブリックデータセットのマルチビュー戦略を用いて,学習機能の品質を広範囲に評価し,すべての領域で高いパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2020-07-25T21:59:17Z)

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。