Fugu-MT 論文翻訳(概要): WiFi-based Cross-Domain Gesture Recognition Using Attention Mechanism

論文の概要: WiFi-based Cross-Domain Gesture Recognition Using Attention Mechanism

arxiv url: http://arxiv.org/abs/2512.04521v1
Date: Thu, 04 Dec 2025 07:09:13 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-05 21:11:46.036868
Title: WiFi-based Cross-Domain Gesture Recognition Using Attention Mechanism
Title（参考訳）: 注意機構を用いたWiFiを用いたクロスドメインジェスチャ認識
Authors: Ruijing Liu, Cunhua Pan, Jiaming Zeng, Hong Ren, Kezhi Wang, Lei Kong, Jiangzhou Wang,
Abstract要約: 本稿では,マルチセマンティックアテンション機構と自己注意に基づくチャネル機構を融合したジェスチャー認識ネットワークを提案する。その結果、99.72%のドメイン内精度を維持するだけでなく、97.61%のクロスドメイン認識でも高い性能を発揮することがわかった。
参考スコア（独自算出の注目度）: 61.79272554643873
License: http://creativecommons.org/licenses/by/4.0/
Abstract: While fulfilling communication tasks, wireless signals can also be used to sense the environment. Among various types of sensing media, WiFi signals offer advantages such as widespread availability, low hardware cost, and strong robustness to environmental conditions like light, temperature, and humidity. By analyzing Wi-Fi signals in the environment, it is possible to capture dynamic changes of the human body and accomplish sensing applications such as gesture recognition. Although many existing gesture sensing solutions perform well in-domain but lack cross-domain capabilities (i.e., recognition performance in untrained environments). To address this, we extract Doppler spectra from the channel state information (CSI) received by all receivers and concatenate each Doppler spectrum along the same time axis to generate fused images with multi-angle information as input features. Furthermore, inspired by the convolutional block attention module (CBAM), we propose a gesture recognition network that integrates a multi-semantic spatial attention mechanism with a self-attention-based channel mechanism. This network constructs attention maps to quantify the spatiotemporal features of gestures in images, enabling the extraction of key domain-independent features. Additionally, ResNet18 is employed as the backbone network to further capture deep-level features. To validate the network performance, we evaluate the proposed network on the public Widar3 dataset, and the results show that it not only maintains high in-domain accuracy of 99.72%, but also achieves high performance in cross-domain recognition of 97.61%, significantly outperforming existing best solutions.
Abstract（参考訳）: 通信タスクを遂行しながら、無線信号を使って環境を感知することもできる。様々なタイプのセンシングメディアの中で、WiFi信号は、広範囲の可用性、ハードウェアコストの低さ、光、温度、湿度といった環境条件に対する強い堅牢性といった利点を提供する。環境中のWi-Fi信号を解析することにより、人体のダイナミックな変化を捉え、ジェスチャー認識などのセンサアプリケーションを実現することができる。既存のジェスチャセンシングソリューションの多くはドメイン内でうまく機能するが、クロスドメイン機能(訓練されていない環境での認識性能)は欠如している。そこで我々は,全ての受信機から受信したチャネル状態情報(CSI)からドップラースペクトルを抽出し,同じ時間軸に沿って各ドップラースペクトルを結合させ,入力特徴として多角情報を用いた融合画像を生成する。さらに,畳み込みブロックアテンションモジュール (CBAM) に着想を得て,マルチセマンティックな空間アテンション機構と自己アテンションに基づくチャネル機構を統合したジェスチャー認識ネットワークを提案する。このネットワークは、画像中のジェスチャーの時空間的特徴を定量化するためにアテンションマップを構築し、重要なドメインに依存しない特徴の抽出を可能にする。さらに、ResNet18は、より深い機能をキャプチャするためにバックボーンネットワークとして使用される。ネットワーク性能を評価するため、提案したネットワークを公開Widar3データセット上で評価し、99.72%のドメイン内精度を維持するだけでなく、97.61%のクロスドメイン認識において高い性能を達成し、既存のベストソリューションを著しく上回ることを示す。

関連論文リスト

Cross-Domain Multi-Person Human Activity Recognition via Near-Field Wi-Fi Sensing [20.1340684071988]
不完全な活動カテゴリの存在下で、効率的なドメイン間適応のための新しいトレーニングフレームワークWiAnchorを提案する。我々は、WiAnchorを徹底的に評価するための包括的なデータセットを構築し、アクティビティのカテゴリが欠如している場合に、90%以上のクロスドメイン精度を達成する。
論文参考訳（メタデータ） (2025-09-27T03:22:15Z)
Wavelet-Guided Dual-Frequency Encoding for Remote Sensing Change Detection [67.84730634802204]
リモートセンシング画像の変化検出は,自然災害監視,都市拡張追跡,インフラ管理など,さまざまな工学的応用において重要な役割を担っている。既存のほとんどの手法は空間領域モデリングに依存しており、特徴表現の限られた多様性は微妙な変化領域の検出を妨げる。本研究では、特にウェーブレット領域における周波数領域の特徴モデリングが周波数成分の微細な違いを増幅し、空間領域において捉えにくいエッジ変化の知覚を高めることを観察する。
論文参考訳（メタデータ） (2025-08-07T11:14:16Z)
Wi-CBR: Salient-aware Adaptive WiFi Sensing for Cross-domain Behavior Recognition [8.028748052177146]
クロスドメイン行動認識(Wi-CBR)のための適応型Wi-Fiセンシングを提案する。具体的には、クロスドメイン行動認識(Wi-CBR)のための適応型適応WiFiセンシングを提案する。
論文参考訳（メタデータ） (2025-06-13T09:38:57Z)
Digital Shielding for Cross-Domain Wi-Fi Signal Adaptation using Relativistic Average Generative Adversarial Network [13.808977762165823]
本稿では,物理信号遮蔽にインスパイアされた,Wi-Fi信号のクロスドメイン適応のための新しいディープラーニングモデルを提案する。このシステムは96%の精度を達成し、強力な物質識別能力を示した。
論文参考訳（メタデータ） (2025-04-29T09:18:02Z)
Wavelet-based Bi-dimensional Aggregation Network for SAR Image Change Detection [53.842568573251214]
3つのSARデータセットによる実験結果から、我々のWBANetは現代最先端の手法を著しく上回っていることが明らかとなった。我々のWBANetは、それぞれのデータセットで98.33%、96.65%、96.62%の正確な分類(PCC)を達成している。
論文参考訳（メタデータ） (2024-07-18T04:36:10Z)
Wavelet Dynamic Selection Network for Inertial Sensor Signal Enhancement [11.793803540713695]
慣性センサーは様々な携帯機器で広く使われている。ウェーブレット動的選択ネットワーク(WDSNet)は、可変慣性信号に対する適切なウェーブレット基底をインテリジェントに選択する。 WDSNetは、弱教師付き手法として、比較された全教師付き手法の最先端性能を達成する。
論文参考訳（メタデータ） (2023-12-29T07:44:06Z)
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)
A Wireless-Vision Dataset for Privacy Preserving Human Activity Recognition [53.41825941088989]
アクティビティ認識の堅牢性を改善するため,WiNN(WiFi-based and video-based neural network)が提案されている。以上の結果から,WiViデータセットは一次需要を満足し,パイプライン内の3つのブランチはすべて,80%以上のアクティビティ認識精度を維持していることがわかった。
論文参考訳（メタデータ） (2022-05-24T10:49:11Z)
GraSens: A Gabor Residual Anti-aliasing Sensing Framework for Action Recognition using WiFi [52.530330427538885]
WiFiベースのヒューマンアクション認識(HAR)は、スマートリビングやリモート監視といったアプリケーションにおいて、有望なソリューションと見なされている。本稿では,無線機器からのWiFi信号を用いた動作を,多様なシナリオで直接認識する,エンド・ツー・エンドのGabor残差検知ネットワーク(GraSens)を提案する。
論文参考訳（メタデータ） (2022-05-24T10:20:16Z)

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。