論文の概要: WiFlexFormer: Efficient WiFi-Based Person-Centric Sensing
- arxiv url: http://arxiv.org/abs/2411.04224v1
- Date: Wed, 06 Nov 2024 19:44:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-08 19:40:21.395595
- Title: WiFlexFormer: Efficient WiFi-Based Person-Centric Sensing
- Title（参考訳）: WiFlexFormer: 効率的なWiFiベースの人中心センシング
- Authors: Julian Strohmayer, Matthias Wödlinger, Martin Kampel,
- Abstract要約: WiFlexFormerは、WiFi Channel State Information (CSI)ベースの人中心センシング用に設計されたトランスフォーマーベースのアーキテクチャである。
We demonstrate that WiFlexFormer achieves comparable Human Activity Recognition (HAR) performance while provide a significantly lower parameter count and faster inference time。
我々の総合的な評価は、WiFlexFormerが効率的でスケーラブルなWiFiベースのセンシングアプリケーションのための潜在的なソリューションであることを示している。
- 参考スコア（独自算出の注目度）: 2.3349787245442966
- License:
- Abstract: We propose WiFlexFormer, a highly efficient Transformer-based architecture designed for WiFi Channel State Information (CSI)-based person-centric sensing. We benchmark WiFlexFormer against state-of-the-art vision and specialized architectures for processing radio frequency data and demonstrate that it achieves comparable Human Activity Recognition (HAR) performance while offering a significantly lower parameter count and faster inference times. With an inference time of just 10 ms on an Nvidia Jetson Orin Nano, WiFlexFormer is optimized for real-time inference. Additionally, its low parameter count contributes to improved cross-domain generalization, where it often outperforms larger models. Our comprehensive evaluation shows that WiFlexFormer is a potential solution for efficient, scalable WiFi-based sensing applications. The PyTorch implementation of WiFlexFormer is publicly available at: https://github.com/StrohmayerJ/WiFlexFormer.
- Abstract（参考訳）: 本稿では,WiFlexFormerを提案する。WiFlexFormerは,WiFiチャネル状態情報(CSI)に基づく人中心センシングのために設計された,高効率なトランスフォーマーベースのアーキテクチャである。
We benchmark WiFlexFormer against state-of-the-art vision and special architectures for processing radio frequency data and showed that it achieves comparable Human Activity Recognition (HAR) performance while provide a significantly lower parameter count and faster inference time。
WiFlexFormerはNvidia Jetson Orin Nano上で10ミリ秒の推論時間で、リアルタイムの推論に最適化されている。
さらに、パラメータ数が低いことはクロスドメインの一般化の改善に寄与する。
我々の総合的な評価は、WiFlexFormerが効率的でスケーラブルなWiFiベースのセンシングアプリケーションのための潜在的なソリューションであることを示している。
WiFlexFormerのPyTorch実装は、https://github.com/StrohmayerJ/WiFlexFormer.comで公開されている。
関連論文リスト
- WiMANS: A Benchmark Dataset for WiFi-based Multi-user Activity Sensing [8.143761572557539]
WiMANSはWiFiに基づくマルチユーザーセンシングのための最初のデータセットである。
We exploit WiMANS to benchmark the performance of State-of-the-the-art WiFi-based human sensor model and video-based model。
論文 参考訳（メタデータ） (2024-01-24T16:10:14Z) - InceptionNeXt: When Inception Meets ConvNeXt [167.61042926444105]
IncepitonNeXtと呼ばれる一連のネットワークを構築し、高いスループットを享受するだけでなく、競争性能も維持しています。
InceptionNeXtはConvNeX-Tよりも1.6倍高いトレーニングスループットを実現し、ImageNet-1Kでは0.2%の精度向上を実現している。
論文 参考訳（メタデータ） (2023-03-29T17:59:58Z) - SwiftFormer: Efficient Additive Attention for Transformer-based
Real-time Mobile Vision Applications [98.90623605283564]
本稿では,2次行列乗算演算を線形要素乗算に効果的に置き換える,新しい効率的な付加的注意機構を提案する。
我々は"SwiftFormer"と呼ばれる一連のモデルを構築し、精度とモバイル推論速度の両面で最先端のパフォーマンスを達成する。
私たちの小さなバージョンでは、iPhone 14で8.5%のImageNet-1Kの精度が達成され、そのレイテンシは0.8msで、MobileViT-v2より2倍速くなります。
論文 参考訳（メタデータ） (2023-03-27T17:59:58Z) - EdgeYOLO: An Edge-Real-Time Object Detector [69.41688769991482]
本稿では, 最先端のYOLOフレームワークをベースとした, 効率的で低複雑さかつアンカーフリーな物体検出器を提案する。
我々は,訓練中の過剰適合を効果的に抑制する拡張データ拡張法を開発し,小型物体の検出精度を向上させるためにハイブリッドランダム損失関数を設計する。
私たちのベースラインモデルは、MS 2017データセットで50.6%のAP50:95と69.8%のAP50、VisDrone 2019-DETデータセットで26.4%のAP50と44.8%のAP50に達し、エッジコンピューティングデバイスNvidia上でリアルタイム要求(FPS>=30)を満たす。
論文 参考訳（メタデータ） (2023-02-15T06:05:14Z) - Tech Report: One-stage Lightweight Object Detectors [0.38073142980733]
この研究は、mAPと遅延の点でよく機能するワンステージ軽量検出器を設計するためのものである。
GPUとCPUを対象とするベースラインモデルでは、ベースラインモデルのバックボーンネットワークにおけるメイン操作の代わりに、さまざまな操作が適用される。
論文 参考訳（メタデータ） (2022-10-31T09:02:37Z) - SFNet: Faster and Accurate Semantic Segmentation via Semantic Flow [88.97790684009979]
性能を改善するための一般的な実践は、強力な意味表現を持つ高解像度の特徴写像を得ることである。
隣接レベルの特徴マップ間のテキストセマンティックフローを学習するためのフローアライメントモジュール(FAM)を提案する。
また,高分解能特徴写像と低分解能特徴写像を直接整列するGated Dual Flow Alignment Moduleを提案する。
論文 参考訳（メタデータ） (2022-07-10T08:25:47Z) - 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) - MobileOne: An Improved One millisecond Mobile Backbone [14.041480018494394]
モバイルデバイス上に複数のモバイルフレンドリーなネットワークを配置することで、さまざまなメトリクスを分析します。
我々は,iPhone12で1ミリ秒未満の推論時間を実現した,効率的なバックボーンMobileOneを設計する。
我々はMobileOneが,モバイル上での処理速度を何倍にも向上しつつ,効率的なアーキテクチャ内での最先端のパフォーマンスを実現していることを示す。
論文 参考訳（メタデータ） (2022-06-08T17:55:11Z) - TopFormer: Token Pyramid Transformer for Mobile Semantic Segmentation [111.8342799044698]
textbfToken textbfPyramid Vision Transtextbfformer (textbfTopFormer)というモバイルフレンドリーなアーキテクチャを提案する。
提案された textbfTopFormer は Tokens を様々なスケールから入力として取り出して,スケール対応のセマンティック機能を生成し,対応するトークンに注入して表現を拡大する。
ADE20Kデータセットでは、TopFormerはMobileNetV3よりもmIoUの精度が5%高く、ARMベースのモバイルデバイスではレイテンシが低い。
論文 参考訳（メタデータ） (2022-04-12T04:51:42Z) - EfficientFi: Towards Large-Scale Lightweight WiFi Sensing via CSI
Compression [28.383494189730268]
EfficientFiは、IoTクラウドに対応した最初のWiFiセンシングフレームワークである。
CSIデータを1.368Mb/sから0.768Kb/sに圧縮する。
人間の行動認識の精度は98%を超えている。
論文 参考訳（メタデータ） (2022-04-08T15:48:41Z)
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。