論文の概要: RFBoost: Understanding and Boosting Deep WiFi Sensing via Physical Data Augmentation

• arxiv url: http://arxiv.org/abs/2410.07230v1
• Date: Fri, 4 Oct 2024 03:15:26 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-31 21:26:45.712670
• Title: RFBoost: Understanding and Boosting Deep WiFi Sensing via Physical Data Augmentation
• Title（参考訳）: RFBoost:物理的データ拡張による深部WiFiセンシングの理解と強化
• Authors: Weiying Hou, Chenshu Wu,
• Abstract要約: ディープワイヤレスセンシング(DWS)は大規模なデータセットに大きく依存している。 数ショット/クロスドメイン学習の進歩にもかかわらず、DWSはまだデータ不足の問題に直面している。 本稿では,新しい物理データ拡張技術を含むフレームワークRFBoostを提案する。
• 参考スコア（独自算出の注目度）: 9.529629863561192
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning shows promising performance in wireless sensing. However, deep wireless sensing (DWS) heavily relies on large datasets. Unfortunately, building comprehensive datasets for DWS is difficult and costly, because wireless data depends on environmental factors and cannot be labeled offline. Despite recent advances in few-shot/cross-domain learning, DWS is still facing data scarcity issues. In this paper, we investigate a distinct perspective of radio data augmentation (RDA) for WiFi sensing and present a data-space solution. Our key insight is that wireless signals inherently exhibit data diversity, contributing more information to be extracted for DWS. We present RFBoost, a simple and effective RDA framework encompassing novel physical data augmentation techniques. We implement RFBoost as a plug-and-play module integrated with existing deep models and evaluate it on multiple datasets. Experimental results demonstrate that RFBoost achieves remarkable average accuracy improvements of 5.4% on existing models without additional data collection or model modifications, and the best-boosted performance outperforms 11 state-of-the-art baseline models without RDA. RFBoost pioneers the study of RDA, an important yet currently underexplored building block for DWS, which we expect to become a standard DWS component of WiFi sensing and beyond. RFBoost is released at https://github.com/aiot-lab/RFBoost.
• Abstract（参考訳）: 深層学習は無線センシングにおける有望な性能を示す。 しかし、ディープワイヤレスセンシング(DWS)は大規模なデータセットに大きく依存している。 残念ながら、無線データは環境要因に依存し、オフラインではラベル付けできないため、総合的なDWSデータセットの構築は困難でコストがかかる。 最近の数ショット/クロスドメイン学習の進歩にもかかわらず、DWSは依然としてデータ不足の問題に直面している。 本稿では、WiFiセンサのための無線データ拡張(RDA)の異なる視点について検討し、データ空間ソリューションを提案する。 我々の重要な洞察は、無線信号は本質的にデータの多様性を示し、DWSのために抽出されるより多くの情報に寄与するということである。 本稿では,新しい物理データ拡張技術を含む簡易かつ効果的なRDAフレームワークRFBoostを提案する。 RFBoostを既存のディープモデルと統合したプラグイン・アンド・プレイモジュールとして実装し,複数のデータセット上で評価する。 実験結果から,RFBoostはデータ収集やモデル修正を伴わずに既存のモデルに対して5.4%の精度向上を実現し,その性能はRDAを使わずに11の最先端のベースラインモデルより優れていた。 RFBoostは、現在未調査のDWSのための重要なビルディングブロックであるRDAの研究の先駆者です。 RFBoostはhttps://github.com/aiot-lab/RFBoost.comでリリースされた。

関連論文リスト

• Rydberg Atomic Quantum Receivers for Classical Wireless Communications and Sensing: Their Models and Performance [78.76421728334013]
  ライドバーグ原子量子受信機(Rydberg atomic quantum receivers, RAQRs)は、高周波(RF)信号の電界を検出するための卓越した溶液である。 本稿では,無線コミュニティにおけるRAQRの超ヘテロダインバージョンについて,エンド・ツー・エンドの受信方式を提案する。 次に,現実的な受信フローに依存する等価なベースバンド信号モデルを開発する。
  論文  参考訳（メタデータ） (2024-12-07T06:25:54Z)
• Generative AI for Data Augmentation in Wireless Networks: Analysis, Applications, and Case Study [59.780800481241066]
  Generative Artificial Intelligence (GenAI) は、無線データ拡張の効果的な代替手段である。 本稿では、無線ネットワークにおけるGenAI駆動型データ拡張の可能性と有効性について考察する。 本稿では,Wi-Fiジェスチャー認識のための一般化拡散モデルに基づくデータ拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-13T05:15:25Z)
• Inversion-DeepONet: A Novel DeepONet-Based Network with Encoder-Decoder for Full Waveform Inversion [28.406887976413845]
  フルウェーブフォーム・インバージョン(FWI)のための新しいディープ・オペレータ・ネットワーク(DeepONet)アーキテクチャ(Inversion-DeepONet)を提案する。 分岐網内の地震データから特徴を抽出するために畳み込みニューラルネットワーク(CNN)を用いる。 我々は,既存のデータ駆動型FWI法と比較して,ネットワークの精度と一般化能力の優れた性能を確認した。
  論文  参考訳（メタデータ） (2024-08-15T08:15:06Z)
• SparseRadNet: Sparse Perception Neural Network on Subsampled Radar Data [5.344444942640663]
  レーダー生データは、しばしば過剰なノイズを含むが、レーダー点雲は限られた情報しか保持しない。 本稿では,適応的なサブサンプリング手法と,空間パターンを利用したネットワークアーキテクチャを提案する。 RADIalデータセットの実験により,SparseRadNetはオブジェクト検出における最先端(SOTA)性能を超え,自由空間セグメンテーションにおけるSOTA精度に近づいた。
  論文  参考訳（メタデータ） (2024-06-15T11:26:10Z)
• SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised Learning for Robust Infrared Small Target Detection [53.19618419772467]
  単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。 Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。 赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
  論文  参考訳（メタデータ） (2024-03-08T16:14:54Z)
• 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)
• ChaRRNets: Channel Robust Representation Networks for RF Fingerprinting [0.0]
  RFフィンガープリントのための複雑値畳み込みニューラルネットワーク(CNN)を提案する。 我々は,深層学習(dl)技術を用いた無線iotデバイスの指紋認証の問題に注目する。
  論文  参考訳（メタデータ） (2021-05-08T03:03:21Z)
• Deep Neural Network Feature Designs for RF Data-Driven Wireless Device Classification [9.05607520128194]
  本稿では、RF通信信号の異なる構造と、送信機ハードウェア障害に起因するスペクトル放射を利用する新しい特徴設計手法を提案する。 提案するDNNの特徴は,拡張性,精度,シグネチャ・アンチ・クローニング,環境摂動に対する非感受性の観点から,分類の堅牢性を大幅に向上させる。
  論文  参考訳（メタデータ） (2021-03-02T20:19:05Z)
• Blind Federated Edge Learning [93.29571175702735]
  フェデレーションエッジ学習(FEEL)について検討し,それぞれが独自のデータセットを持つ無線エッジデバイスでグローバルモデルを学ぶ。 そこで本研究では,デバイスがローカル更新を非符号化方式で送信する,アナログオーバ・ザ・エアのアグリゲーション方式を提案する。
  論文  参考訳（メタデータ） (2020-10-19T16:22:28Z)
• A Big Data Enabled Channel Model for 5G Wireless Communication Systems [71.93009775340234]
  本稿では,ビッグデータ解析,特に無線通信およびチャネルモデリングにおける機械学習アルゴリズムの様々な応用について検討する。 本稿では,ビッグデータと機械学習を利用した無線チャネルモデルフレームワークを提案する。 提案するチャネルモデルは、フィードフォワードニューラルネットワーク(FNN)やラジアル基底関数ニューラルネットワーク(RBF-NN)を含む、人工ニューラルネットワーク(ANN)に基づいている。
  論文  参考訳（メタデータ） (2020-02-28T05:56:14Z)

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。