論文の概要: CrossFi: A Cross Domain Wi-Fi Sensing Framework Based on Siamese Network

• arxiv url: http://arxiv.org/abs/2408.10919v2
• Date: Wed, 21 Aug 2024 01:57:15 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-22 11:50:43.196083
• Title: CrossFi: A Cross Domain Wi-Fi Sensing Framework Based on Siamese Network
• Title（参考訳）: CrossFi: Siamese NetworkをベースにしたクロスドメインWi-Fiセンシングフレームワーク
• Authors: Zijian Zhao, Tingwei Chen, Zhijie Cai, Xiaoyang Li, Hang Li, Qimei Chen, Guangxu Zhu,
• Abstract要約: CrossFiはシアムネットワークベースのアプローチで、ドメイン内シナリオとクロスドメインシナリオの両方に優れています。 私たちは、クラスごとにテンプレートを生成することができる余分なWeight-Netを開発し、CrossFiがさまざまなシナリオで機能できるようにします。 ジェスチャー認識タスクでは、ドメイン内シナリオで98.17%、ワンショットクロスドメインシナリオで91.72%、ゼロショットクロスドメインシナリオで64.81%、ワンショット新しいクラスシナリオで84.75%の精度を達成する。
• 参考スコア（独自算出の注目度）: 17.33355763750407
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, Wi-Fi sensing has garnered significant attention due to its numerous benefits, such as privacy protection, low cost, and penetration ability. Extensive research has been conducted in this field, focusing on areas such as gesture recognition, people identification, and fall detection. However, many data-driven methods encounter challenges related to domain shift, where the model fails to perform well in environments different from the training data. One major factor contributing to this issue is the limited availability of Wi-Fi sensing datasets, which makes models learn excessive irrelevant information and over-fit to the training set. Unfortunately, collecting large-scale Wi-Fi sensing datasets across diverse scenarios is a challenging task. To address this problem, we propose CrossFi, a siamese network-based approach that excels in both in-domain scenario and cross-domain scenario, including few-shot, zero-shot scenarios, and even works in few-shot new-class scenario where testing set contains new categories. The core component of CrossFi is a sample-similarity calculation network called CSi-Net, which improves the structure of the siamese network by using an attention mechanism to capture similarity information, instead of simply calculating the distance or cosine similarity. Based on it, we develop an extra Weight-Net that can generate a template for each class, so that our CrossFi can work in different scenarios. Experimental results demonstrate that our CrossFi achieves state-of-the-art performance across various scenarios. In gesture recognition task, our CrossFi achieves an accuracy of 98.17% in in-domain scenario, 91.72% in one-shot cross-domain scenario, 64.81% in zero-shot cross-domain scenario, and 84.75% in one-shot new-class scenario. To facilitate future research, we will release the code for our model upon publication.
• Abstract（参考訳）: 近年、プライバシー保護、低コスト、侵入能力など多くの利点により、Wi-Fiセンシングは大きな注目を集めている。 この分野では、ジェスチャー認識、人物識別、転倒検出などの分野に焦点が当てられている。 しかし、多くのデータ駆動手法は、トレーニングデータとは異なる環境でのモデルの性能が良くないドメインシフトに関連する問題に遭遇する。 この問題に寄与する大きな要因の1つは、Wi-Fiセンシングデータセットの可用性の制限である。 残念ながら、さまざまなシナリオにまたがる大規模なWi-Fiセンシングデータセットの収集は難しい作業だ。 この問題に対処するために、私たちはCrossFiという、ドメイン内シナリオとクロスドメインシナリオの両方に優れたシアムネットワークベースのアプローチを提案します。 CrossFiのコアコンポーネントは、CSi-Netと呼ばれるサンプル類似性計算ネットワークであり、単に距離やコサイン類似性を計算するのではなく、アテンション機構を用いて類似性情報を取得することにより、サイムズネットワークの構造を改善する。 それに基づいて、私たちは、クラス毎にテンプレートを生成することができる余分なウェイトネットを開発し、CrossFiが異なるシナリオで機能できるようにします。 実験の結果、CrossFiは様々なシナリオで最先端のパフォーマンスを実現しています。 ジェスチャー認識タスクでは、ドメイン内シナリオで98.17%、ワンショットクロスドメインシナリオで91.72%、ゼロショットクロスドメインシナリオで64.81%、ワンショット新しいクラスシナリオで84.75%の精度を達成する。 今後の研究を促進するため、我々はモデルのためのコードを出版時に公開します。

関連論文リスト

• Generalizable Metric Network for Cross-domain Person Re-identification [55.71632958027289]
  クロスドメイン(ドメインの一般化)シーンは、Re-IDタスクにおいて課題となる。 既存のほとんどのメソッドは、すべてのドメインのドメイン不変またはロバストな機能を学ぶことを目的としています。 本稿では,サンプルペア空間における標本類似性を調べるために,GMN(Generalizable Metric Network)を提案する。
  論文  参考訳（メタデータ） (2023-06-21T03:05:25Z)
• DualCross: Cross-Modality Cross-Domain Adaptation for Monocular BEV Perception [30.113617846516398]
  DualCrossは、より堅牢なBEV知覚モデルの学習を容易にする、クロスモダリティのクロスドメイン適応フレームワークである。 この研究は、クロスドメイン・クロスセンサーの認識と野生における単分子3Dタスクへの適応を初めてオープンに解析する結果となった。
  論文  参考訳（メタデータ） (2023-05-05T17:58:45Z)
• MemSAC: Memory Augmented Sample Consistency for Large Scale Unsupervised Domain Adaptation [71.4942277262067]
  本稿では,ソースドメインとターゲットドメイン間のサンプルレベルの類似性を利用して識別的転送を実現するMemSACを提案する。 我々は,MemSACの有効性に関する詳細な分析と知見を提供する。
  論文  参考訳（メタデータ） (2022-07-25T17:55:28Z)
• One-Class Knowledge Distillation for Face Presentation Attack Detection [53.30584138746973]
  本稿では,一級ドメイン適応による対面PADのクロスドメイン性能向上のための教師学生フレームワークを提案する。 学生ネットワークは、教師ネットワークを模倣し、ターゲットドメインの真の顔サンプルの類似した表現を学ぶために訓練される。 テストフェーズでは、教師と学生ネットワークの表現の類似度スコアを用いて、真の攻撃と区別する。
  論文  参考訳（メタデータ） (2022-05-08T06:20:59Z)
• Cross Domain Few-Shot Learning via Meta Adversarial Training [34.383449283927014]
  Few-shot Relation Classification (RC) は機械学習における重要な問題の1つである。 先述のクロスドメイン状況を考慮した新しいモデルを提案する。 対象領域のデータに適応する訓練ネットワークを微調整するために,メタベース対逆トレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-11T15:52:29Z)
• Understanding Cross-Domain Few-Shot Learning: An Experimental Study [17.81177649496765]
  ドメイン間数ショットの学習は、ソースとターゲットドメインの大きな違いを扱うために注目されている。 最近の研究は、事前訓練期間中に対象領域からの小規模な未ラベルデータを活用することを検討している。 このデータは、ソースドメインの教師付き事前トレーニングに加えて、ターゲットドメインでの自己教師付き事前トレーニングを可能にする。
  論文  参考訳（メタデータ） (2022-02-01T12:35:25Z)
• Federated Multi-Target Domain Adaptation [99.93375364579484]
  フェデレートされた学習手法により、プライバシを保護しながら、分散ユーザデータ上で機械学習モデルをトレーニングすることが可能になります。 分散クライアントデータがラベル付けされず、集中型ラベル付きデータセットがサーバ上で利用可能となる、より実用的なシナリオを考えます。 本稿では,新しい課題に対処する効果的なDualAdapt法を提案する。
  論文  参考訳（メタデータ） (2021-08-17T17:53:05Z)
• Dynamic Distillation Network for Cross-Domain Few-Shot Recognition with Unlabeled Data [21.348965677980104]
  未ラベルのターゲットデータを用いたドメイン間数ショット認識の問題に対処する。 STARTUPは自己学習を用いてこの問題に対処する最初の方法である。 本稿では, 新規/ベースデータセットからのラベルなし画像を容易にするための, 簡易な動的蒸留に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2021-06-14T23:44:34Z)
• RethinkCWS: Is Chinese Word Segmentation a Solved Task? [81.11161697133095]
  中国語の単語(CWS)システムの性能は、ディープニューラルネットワークの急速な発展とともに、徐々に高水準に達している。 本稿では、私たちが達成した事柄の株式を取得し、CWSタスクに残されている事柄を再考する。
  論文  参考訳（メタデータ） (2020-11-13T11:07:08Z)
• Self-Challenging Improves Cross-Domain Generalization [81.99554996975372]
  畳み込みニューラルネットワーク(CNN)は、ラベルと相関する支配的特徴を活性化することにより、画像分類を行う。 ドメイン外データに対するCNNの一般化を著しく改善する簡単なトレーニングである自己整合表現(RSC)を導入する。 RSCはトレーニングデータ上で活性化される主要な機能に対して反復的に挑戦し、ラベルと相関する残りの機能を有効にするようネットワークに強制する。
  論文  参考訳（メタデータ） (2020-07-05T21:42:26Z)
• One-Shot Unsupervised Cross-Domain Detection [33.04327634746745]
  本稿では,テスト時に見られる対象サンプルを1つだけ使用することにより,ドメイン間の非教師なし適応を実現できるオブジェクト検出アルゴリズムを提案する。 これを実現するために、単発で任意のサンプルに適応するマルチタスクアーキテクチャを導入し、その上で自己教師型タスクを反復的に解決する。
  論文  参考訳（メタデータ） (2020-05-23T22:12:20Z)

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。