論文の概要: DGSense: A Domain Generalization Framework for Wireless Sensing

• arxiv url: http://arxiv.org/abs/2502.08155v1
• Date: Wed, 12 Feb 2025 06:47:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-13 13:49:49.750933
• Title: DGSense: A Domain Generalization Framework for Wireless Sensing
• Title（参考訳）: DGSense: ワイヤレスセンシングのためのドメイン一般化フレームワーク
• Authors: Rui Zhou, Yu Cheng, Songlin Li, Hongwang Zhang, Chenxu Liu,
• Abstract要約: 無線センシングにおける領域依存問題を排除するために,ドメイン一般化フレームワークDGSenseを提案する。 一度センサーモデルが構築されれば、ターゲットドメインからのデータなしに、見えないドメインに一般化することができる。 DGSenseの有効性を実証するために、WiFiジェスチャー認識、ミリ波(ミリ波)活動認識、音響落下検出について検討した。
• 参考スコア（独自算出の注目度）: 13.83397897232248
• License:
• Abstract: Wireless sensing is of great benefits to our daily lives. However, wireless signals are sensitive to the surroundings. Various factors, e.g. environments, locations, and individuals, may induce extra impact on wireless propagation. Such a change can be regarded as a domain, in which the data distribution shifts. A vast majority of the sensing schemes are learning-based. They are dependent on the training domains, resulting in performance degradation in unseen domains. Researchers have proposed various solutions to address this issue. But these solutions leverage either semi-supervised or unsupervised domain adaptation techniques. They still require some data in the target domains and do not perform well in unseen domains. In this paper, we propose a domain generalization framework DGSense, to eliminate the domain dependence problem in wireless sensing. The framework is a general solution working across diverse sensing tasks and wireless technologies. Once the sensing model is built, it can generalize to unseen domains without any data from the target domain. To achieve the goal, we first increase the diversity of the training set by a virtual data generator, and then extract the domain independent features via episodic training between the main feature extractor and the domain feature extractors. The feature extractors employ a pre-trained Residual Network (ResNet) with an attention mechanism for spatial features, and a 1D Convolutional Neural Network (1DCNN) for temporal features. To demonstrate the effectiveness and generality of DGSense, we evaluated on WiFi gesture recognition, Millimeter Wave (mmWave) activity recognition, and acoustic fall detection. All the systems exhibited high generalization capability to unseen domains, including new users, locations, and environments, free of new data and retraining.
• Abstract（参考訳）: ワイヤレスセンシングは私たちの日常生活にとって大きなメリットです。 しかし、無線信号は周囲に敏感である。 様々な要因、例えば環境、場所、個人は、無線伝播に余分な影響を及ぼす可能性がある。 このような変化は、データ分散がシフトする領域と見なすことができる。 センシングスキームの大部分が学習ベースである。 トレーニングドメインに依存するため、目に見えないドメインではパフォーマンスが低下する。 研究者はこの問題に対処するための様々な解決策を提案している。 しかし、これらのソリューションは半教師なしあるいは教師なしのドメイン適応技術を利用する。 ターゲットドメインにはまだいくつかのデータが必要ですが、目に見えないドメインではうまく機能しません。 本稿では,無線センシングにおける領域依存問題を排除するために,ドメイン一般化フレームワークDGSenseを提案する。 このフレームワークは、様々なセンシングタスクや無線技術にまたがる一般的なソリューションである。 一度センサーモデルが構築されれば、ターゲットドメインからのデータなしに、見えないドメインに一般化することができる。 目標を達成するために,まず仮想データ生成装置によって設定されたトレーニングの多様性を高め,次に,主特徴抽出器と領域特徴抽出器との間のエピソディックトレーニングにより,ドメイン独立特徴を抽出する。 特徴抽出器は空間的特徴に対する注意機構を備えた事前訓練された残留ネットワーク(ResNet)と時間的特徴に対する1次元畳み込みニューラルネットワーク(1DCNN)を用いる。 DGSenseの有効性と汎用性を実証するため,WiFiジェスチャ認識,ミリ波(ミリ波)活動認識,音響落下検出について検討した。 すべてのシステムは、新しいユーザー、場所、環境を含む未確認領域に高い一般化能力を示し、新しいデータや再トレーニングは不要であった。

関連論文リスト

• KNN-MMD: Cross Domain Wireless Sensing via Local Distribution Alignment [17.33355763750407]
  クロスドメイン無線センシングのためのK-Nearest Maximum Neighbors Mean Discrepancy (KNN-MMD)を提案する。 我々のアプローチは、ターゲットドメインからKNNを使用してヘルプセットを構築し、ソースとターゲットドメイン間の局所的なアライメントを可能にすることから始まります。 また、モデルの性能がエポック間で急激に変動するクロスドメイン手法でよく見られる重要な不安定性問題にも対処する。
  論文  参考訳（メタデータ） (2024-12-06T05:20:08Z)
• Incremental Open-set Domain Adaptation [27.171935835686117]
  破滅的な忘れは、視覚領域を連続的に学習する際にニューラルネットワークモデルを不安定にする。 我々は、画像分類のための忘れやすい漸進的学習戦略を開発する。
  論文  参考訳（メタデータ） (2024-08-31T19:37:54Z)
• 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)
• Self-Training Guided Disentangled Adaptation for Cross-Domain Remote Sensing Image Semantic Segmentation [20.07907723950031]
  本稿では,クロスドメインRS画像セマンティックセグメンテーションタスクのための自己学習ガイド型不整合適応ネットワーク(ST-DASegNet)を提案する。 まず,ソースとターゲットの両方のイメージに対して,ソーススタイルとターゲットスタイルの特徴をそれぞれ抽出するために,ソース学生のバックボーンとターゲット学生のバックボーンを提案する。 次に、ユニバーサルな特徴を抽出し、ソーススタイルとターゲットスタイルの特徴の異なる特徴を浄化するために、ドメイン非絡み合いモジュールを提案する。
  論文  参考訳（メタデータ） (2023-01-13T13:11:22Z)
• Unsupervised Domain Adaptation via Style-Aware Self-intermediate Domain [52.783709712318405]
  非教師なしドメイン適応(UDA)は、ラベル豊富なソースドメインから関連するがラベルのないターゲットドメインに知識を伝達する、かなりの注目を集めている。 本研究では,大規模なドメインギャップと伝達知識を橋渡しし,クラス非ネイティブ情報の損失を軽減するために,SAFF(style-aware feature fusion)法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T10:06:03Z)
• An Unsupervised Domain Adaptive Approach for Multimodal 2D Object Detection in Adverse Weather Conditions [5.217255784808035]
  本稿では、ソースとターゲットドメイン間のドメインギャップを埋めるために、教師なしのドメイン適応フレームワークを提案する。 天候の歪みをシミュレートするデータ拡張方式を用いて、ドメインの混乱を増し、ソースデータへの過度な適合を防止する。 DENSEデータセットで行った実験は、我々の手法がドメインギャップを大幅に軽減できることを示している。
  論文  参考訳（メタデータ） (2022-03-07T18:10:40Z)
• 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)
• Self-Adversarial Disentangling for Specific Domain Adaptation [52.1935168534351]
  ドメイン適応は、ソースとターゲットドメイン間のドメインシフトをブリッジすることを目的としています。 最近の手法では、特定の次元について明示的な事前知識を考慮しないのが一般的である。
  論文  参考訳（メタデータ） (2021-08-08T02:36:45Z)
• AFAN: Augmented Feature Alignment Network for Cross-Domain Object Detection [90.18752912204778]
  オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。 本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。 提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2021-06-10T05:01:20Z)
• Generalizable Person Re-identification with Relevance-aware Mixture of Experts [45.13716166680772]
  我々はRaMoE(Relevance-Aware Mixed of Expert)と呼ばれる新しい手法を提案する。 RaMoEは、効率的な投票に基づく混合メカニズムを使用して、モデル一般化を改善するために、ソースドメインの様々な特性を動的に活用する。 対象ドメインの学習時の視認性を考慮し,新たな学習学習アルゴリズムと関係アライメント損失を組み合わせることで,投票ネットワークを更新する手法を提案する。
  論文  参考訳（メタデータ） (2021-05-19T14:19:34Z)
• Spatial Attention Pyramid Network for Unsupervised Domain Adaptation [66.75008386980869]
  教師なし領域適応は様々なコンピュータビジョンタスクにおいて重要である。 教師なし領域適応のための新しい空間注意ピラミッドネットワークを設計する。 我々の手法は最先端の手法に対して大きなマージンで好適に機能する。
  論文  参考訳（メタデータ） (2020-03-29T09:03:23Z)

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。