論文の概要: Neuro-Symbolic Fusion of Wi-Fi Sensing Data for Passive Radar with Inter-Modal Knowledge Transfer
- arxiv url: http://arxiv.org/abs/2407.04734v1
- Date: Mon, 1 Jul 2024 08:43:27 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-22 14:29:03.459548
- Title: Neuro-Symbolic Fusion of Wi-Fi Sensing Data for Passive Radar with Inter-Modal Knowledge Transfer
- Title（参考訳）: モーダル間知識伝達を用いたパッシブレーダのWi-Fiセンシングデータのニューロシンボリック核融合
- Authors: Marco Cominelli, Francesco Gringoli, Lance M. Kaplan, Mani B. Srivastava, Trevor Bihl, Erik P. Blasch, Nandini Iyer, Federico Cerutti,
- Abstract要約: 本稿では,Wi-FiセンシングのためのニューロシンボリックアーキテクチャであるDeepProbHARを紹介する。
これは、Wi-Fi信号が脚や腕の動きなどの単純な動きと区別できるという最初の証拠を提供する。
DeepProbHARは、人間の活動認識における最先端技術に匹敵する結果を達成している。
- 参考スコア（独自算出の注目度）: 10.388561519507471
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Wi-Fi devices, akin to passive radars, can discern human activities within indoor settings due to the human body's interaction with electromagnetic signals. Current Wi-Fi sensing applications predominantly employ data-driven learning techniques to associate the fluctuations in the physical properties of the communication channel with the human activity causing them. However, these techniques often lack the desired flexibility and transparency. This paper introduces DeepProbHAR, a neuro-symbolic architecture for Wi-Fi sensing, providing initial evidence that Wi-Fi signals can differentiate between simple movements, such as leg or arm movements, which are integral to human activities like running or walking. The neuro-symbolic approach affords gathering such evidence without needing additional specialised data collection or labelling. The training of DeepProbHAR is facilitated by declarative domain knowledge obtained from a camera feed and by fusing signals from various antennas of the Wi-Fi receivers. DeepProbHAR achieves results comparable to the state-of-the-art in human activity recognition. Moreover, as a by-product of the learning process, DeepProbHAR generates specialised classifiers for simple movements that match the accuracy of models trained on finely labelled datasets, which would be particularly costly.
- Abstract（参考訳）: 受動レーダーに似たWi-Fiデバイスは、人体が電磁信号と相互作用するため、屋内環境での人間の活動を識別することができる。
現在のWi-Fiセンシングアプリケーションは、主にデータ駆動学習技術を用いて、通信チャネルの物理的特性の変動とそれらを引き起こす人間の活動とを関連付ける。
しかしながら、これらの技術は望ましい柔軟性と透明性を欠いていることが多い。
本稿では、Wi-FiセンシングのためのニューラルシンボリックアーキテクチャであるDeepProbHARを紹介し、Wi-Fi信号が歩行や歩行などの人間の活動に不可欠な脚や腕の動きなどの単純な動きを区別できることを示す。
ニューロシンボリックアプローチでは、特別なデータ収集やラベル付けを必要とせず、このような証拠を集めることができる。
DeepProbHARの訓練は、カメラフィードから得られる宣言的ドメイン知識と、Wi-Fi受信機の各種アンテナからの信号を融合させることにより容易となる。
DeepProbHARは、人間の活動認識における最先端技術に匹敵する結果を達成している。
さらに、学習プロセスの副産物として、DeepProbHARは、特にコストのかかる、細かなラベル付きデータセットでトレーニングされたモデルの精度と一致する、単純な動きのための特別な分類器を生成する。
関連論文リスト
- Approaches to human activity recognition via passive radar [4.2261749429617534]
この論文は、非侵入的Wi-Fiチャネル状態情報(CSI)データに着目した受動レーダを用いた人活動認識(HAR)の新しい手法を探求する。
本研究では、スパイキングニューラルネットワーク(SNN)を用いたCSIの非侵入性を利用して、人間の動きによる信号の変動を解釈する。
論文 参考訳（メタデータ） (2024-10-31T17:28:41Z) - Accurate Passive Radar via an Uncertainty-Aware Fusion of Wi-Fi Sensing Data [12.511211994847173]
Wi-Fiデバイスは、周囲で何が起きているのかを検知し、人間の活動を識別するパッシブレーダーシステムとして効果的に利用することができる。
本稿では,データ生成に係わる潜在分布を推定するために,変分自動エンコーダを用いたアーキテクチャを提案する。
我々は、同一のWi-Fi受信機の異なるアンテナで処理された融合データにより、人間の活動認識の精度が向上することを確認した。
論文 参考訳（メタデータ） (2024-07-01T08:26:15Z) - Radar-Based Recognition of Static Hand Gestures in American Sign
Language [17.021656590925005]
本研究では,先進レーダ線トレーシングシミュレータによる合成データの有効性について検討した。
シミュレータは直感的な材料モデルを採用し、データ多様性を導入するように調整することができる。
NNを合成データで専用にトレーニングしているにもかかわらず、実際の測定データでテストを行うと、有望な性能を示す。
論文 参考訳（メタデータ） (2024-02-20T08:19:30Z) - 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) - 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) - WiFi-based Spatiotemporal Human Action Perception [53.41825941088989]
SNN(End-to-end WiFi signal Neural Network)は、Wi-Fiのみのセンシングを可能にするために提案されている。
特に、3D畳み込みモジュールはWiFi信号の時間的連続性を探索することができ、特徴自己保持モジュールは支配的な特徴を明示的に維持することができる。
論文 参考訳（メタデータ） (2022-06-20T16:03:45Z) - 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) - EEGminer: Discovering Interpretable Features of Brain Activity with
Learnable Filters [72.19032452642728]
本稿では,学習可能なフィルタと事前決定された特徴抽出モジュールからなる新しい識別可能なEEGデコーディングパイプラインを提案する。
我々は,SEEDデータセットおよび前例のない大きさの新たな脳波データセット上で,脳波信号からの感情認識に向けたモデルの有用性を実証する。
発見された特徴は、以前の神経科学の研究と一致し、音楽聴取中の左右の時間領域間の機能的接続プロファイルの顕著な相違など、新たな洞察を提供する。
論文 参考訳（メタデータ） (2021-10-19T14:22:04Z) - Semantics-aware Adaptive Knowledge Distillation for Sensor-to-Vision
Action Recognition [131.6328804788164]
本稿では,視覚・センサ・モダリティ(動画)における行動認識を強化するためのフレームワーク,Semantics-Aware Adaptive Knowledge Distillation Networks (SAKDN)を提案する。
SAKDNは複数のウェアラブルセンサーを教師のモダリティとして使用し、RGB動画を学生のモダリティとして使用している。
論文 参考訳（メタデータ） (2020-09-01T03:38:31Z) - 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。