論文の概要: KNN-MMD: Cross Domain Wi-Fi Sensing Based on Local Distribution Alignment
- arxiv url: http://arxiv.org/abs/2412.04783v1
- Date: Fri, 06 Dec 2024 05:20:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-09 15:57:01.780077
- Title: KNN-MMD: Cross Domain Wi-Fi Sensing Based on Local Distribution Alignment
- Title（参考訳）: KNN-MMD:局所分布アライメントに基づくクロスドメインWi-Fiセンシング
- Authors: Zijian Zhao, Zhijie Cai, Tingwei Chen, Xiaoyang Li, Hang Li, Guangxu Zhu,
- Abstract要約: Wi-Fiセンシングは、家、オフィス、公共空間など様々な環境で広く応用されている。
チャネル状態情報(CSI)は環境の影響を強く受けており、小さな環境変化でさえCSIのパターンを大きく変えることができる。
我々は,K-Nearest Neearbors Maximum Mean Discrepancy (KNN-MMD)モデルを導入する。
ワンショットシナリオでは,4つのタスクでそれぞれ93.26%,81.84%,77.62%,75.30%の精度を実現している。
- 参考スコア（独自算出の注目度）: 14.973433993744708
- License:
- Abstract: As a key technology in Integrated Sensing and Communications (ISAC), Wi-Fi sensing has gained widespread application in various settings such as homes, offices, and public spaces. By analyzing the patterns of Channel State Information (CSI), we can obtain information about people's actions for tasks like person identification, gesture recognition, and fall detection. However, the CSI is heavily influenced by the environment, such that even minor environmental changes can significantly alter the CSI patterns. This will cause the performance deterioration and even failure when applying the Wi-Fi sensing model trained in one environment to another. To address this problem, we introduce a K-Nearest Neighbors Maximum Mean Discrepancy (KNN-MMD) model, a few-shot method for cross-domain Wi-Fi sensing. We propose a local distribution alignment method within each category, which outperforms traditional Domain Adaptation (DA) methods based on global alignment. Besides, our method can determine when to stop training, which cannot be realized by most DA methods. As a result, our method is more stable and can be better used in practice. The effectiveness of our method are evaluated in several cross-domain Wi-Fi sensing tasks, including gesture recognition, person identification, fall detection, and action recognition, using both a public dataset and a self-collected dataset. In one-shot scenario, our method achieves accuracy of 93.26%, 81.84%, 77.62%, and 75.30% in the four tasks respectively. To facilitate future research, we will make our code and dataset publicly available upon publication.
- Abstract（参考訳）: ISAC(Integrated Sensing and Communications)の重要な技術として、家庭、オフィス、公共空間など様々な場所でWi-Fiセンシングが普及している。
チャネル状態情報(CSI)のパターンを解析することにより、人物識別、ジェスチャー認識、転倒検出などのタスクに対する人々の行動に関する情報を得ることができる。
しかし、CSIは環境の影響を強く受けており、小さな環境変化でさえCSIのパターンを大きく変えることができる。
これにより、ある環境で訓練されたWi-Fiセンシングモデルを別の環境に適用する場合、性能が低下し、失敗する。
そこで本研究では,K-Nearest Neearbors Maximum Mean Discrepancy (KNN-MMD)モデルを導入する。
本研究では,グローバルアライメントに基づく従来のドメイン適応法(DA)よりも優れた局所分布アライメント手法を提案する。
また,本手法は,ほとんどのDA手法では実現できない訓練をいつ停止するかを判断できる。
その結果,本手法はより安定しており,実用的にも有効であることがわかった。
本手法の有効性は, ジェスチャー認識, 人物識別, 転倒検出, 行動認識など, 複数分野のWi-Fiセンシングタスクにおいて, パブリックデータセットと自己収集データセットの両方を用いて評価される。
ワンショットシナリオでは,4つのタスクでそれぞれ93.26%,81.84%,77.62%,75.30%の精度を実現している。
今後の研究を容易にするため、コードとデータセットを公開時に公開します。
関連論文リスト
- PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
私たちはaを提案します。
フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。
我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
論文 参考訳（メタデータ） (2024-06-04T13:51:08Z) - T-UDA: Temporal Unsupervised Domain Adaptation in Sequential Point
Clouds [2.5291108878852864]
教師なしドメイン適応(UDA)メソッドは、1つの(ソース)ドメインでトレーニングされたモデルに、アノテーションが利用可能な他の(ターゲット)ドメインに適応する。
本稿では,両トレンドの長所を活かした新しい領域適応手法を提案する。この組み合わせにより,運転シーンの3次元セマンティックセマンティックセグメンテーションのタスクにおいて,大きなパフォーマンス向上が得られる。
論文 参考訳（メタデータ） (2023-09-15T10:47:12Z) - GaitSADA: Self-Aligned Domain Adaptation for mmWave Gait Recognition [14.750765172614836]
mmWaveレーダを用いた歩行認識は,mmWaveレーダの帰還信号から人間の歩行バイオメトリックスを捕捉する新しいユーザ識別法である。
この問題を軽減するために、GaitSADAと呼ばれる新しい自己整合ドメイン適応法を提案する。
実験により、GaitSADAは、低データ状態における平均精度で15.41%から26.32%の改善により、代表的ドメイン適応法よりも優れていることが示された。
論文 参考訳（メタデータ） (2023-01-31T03:21:08Z) - OTAdapt: Optimal Transport-based Approach For Unsupervised Domain
Adaptation [10.485172090696642]
本稿では, 最適輸送ベース距離に基づいて, 教師なし領域適応に対する新しいアプローチを提案する。
このアプローチは、ドメイン間で有意義なメトリクスを必要とせずに、ターゲットドメインとソースドメインの整合を可能にする。
提案手法は,様々な問題において異なるデータセット上で評価される。
論文 参考訳（メタデータ） (2022-05-22T04:25:24Z) - Domain Adversarial Graph Convolutional Network Based on RSSI and
Crowdsensing for Indoor Localization [8.406788215294483]
少数のラベル付きサイトサーベイデータと大量のラベル付きクラウドセンシングWiFi指紋を用いてトレーニングできる新しいWiDAGCNモデルを提案する。
本システムは、複数の建物を含む公共の屋内ローカライゼーションデータセットを用いて評価する。
論文 参考訳（メタデータ） (2022-04-06T08:06:27Z) - Frequency Spectrum Augmentation Consistency for Domain Adaptive Object
Detection [107.52026281057343]
周波数スペクトル拡張整合(FSAC)フレームワークを4種類の低周波フィルタで構成する。
最初の段階では、オリジナルおよび拡張されたソースデータを全て利用して、オブジェクト検出器を訓練する。
第2段階では、予測一貫性のための自己学習を行うために、擬似ラベル付き拡張現実とターゲットデータを採用する。
論文 参考訳（メタデータ） (2021-12-16T04:07:01Z) - Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D
Object Detection [85.11649974840758]
3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。
そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
論文 参考訳（メタデータ） (2021-11-30T18:42:42Z) - Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training
for Road Segmentation of Remote Sensing Images [93.50240389540252]
リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。
本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。
2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
論文 参考訳（メタデータ） (2021-08-28T09:29:14Z) - TraND: Transferable Neighborhood Discovery for Unsupervised Cross-domain
Gait Recognition [77.77786072373942]
本稿では、教師なしクロスドメイン歩行認識のための領域ギャップを橋渡しするTransferable Neighborhood Discovery (TraND) フレームワークを提案する。
我々は、潜在空間におけるラベルなしサンプルの自信ある近傍を自動的に発見するために、エンドツーエンドのトレーニング可能なアプローチを設計する。
提案手法は,CASIA-BとOU-LPの2つの公開データセットに対して,最先端の結果を得る。
論文 参考訳（メタデータ） (2021-02-09T03:07:07Z) - Effective Label Propagation for Discriminative Semi-Supervised Domain
Adaptation [76.41664929948607]
半教師付き領域適応(SSDA)法は,大規模な画像分類タスクにおいて大きな可能性を示している。
本稿では、ドメイン間およびドメイン内セマンティック情報を効果的に伝達することにより、この問題に対処する新しい効果的な方法を提案する。
ソースコードと事前訓練されたモデルも間もなくリリースされる予定です。
論文 参考訳（メタデータ） (2020-12-04T14:28:19Z)
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。