論文の概要: WiFlow: A Lightweight WiFi-based Continuous Human Pose Estimation Network with Spatio-Temporal Feature Decoupling
- arxiv url: http://arxiv.org/abs/2602.08661v1
- Date: Mon, 09 Feb 2026 13:52:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-10 20:26:25.256597
- Title: WiFlow: A Lightweight WiFi-based Continuous Human Pose Estimation Network with Spatio-Temporal Feature Decoupling
- Title（参考訳）: WiFlow: 時空間特徴デカップリングによる軽量Wi-Fiによる連続人文推定ネットワーク
- Authors: Yi Dao, Lankai Zhang, Hao Liu, Haiwei Zhang, Wenbo Wang,
- Abstract要約: WiFlowは、WiFiを用いた人間のポーズを連続的に推定するための新しいフレームワークである。
本研究は,5名の被験者を対象に,360,000件のCSI-poseのデータセットをトレーニングした。
4.82Mパラメータだけで、WiFlowはモデルの複雑さと計算コストを大幅に削減する。
- 参考スコア（独自算出の注目度）: 10.422199909343478
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Human pose estimation is fundamental to intelligent perception in the Internet of Things (IoT), enabling applications ranging from smart healthcare to human-computer interaction. While WiFi-based methods have gained traction, they often struggle with continuous motion and high computational overhead. This work presents WiFlow, a novel framework for continuous human pose estimation using WiFi signals. Unlike vision-based approaches such as two-dimensional deep residual networks that treat Channel State Information (CSI) as images, WiFlow employs an encoder-decoder architecture. The encoder captures spatio-temporal features of CSI using temporal and asymmetric convolutions, preserving the original sequential structure of signals. It then refines keypoint features of human bodies to be tracked and capture their structural dependencies via axial attention. The decoder subsequently maps the encoded high-dimensional features into keypoint coordinates. Trained on a self-collected dataset of 360,000 synchronized CSI-pose samples from 5 subjects performing continuous sequences of 8 daily activities, WiFlow achieves a Percentage of Correct Keypoints (PCK) of 97.00% at a threshold of 20% (PCK@20) and 99.48% at PCK@50, with a mean per-joint position error of 0.008m. With only 4.82M parameters, WiFlow significantly reduces model complexity and computational cost, establishing a new performance baseline for practical WiFi-based human pose estimation. Our code and datasets are available at https://github.com/DY2434/WiFlow-WiFi-Pose-Estimation-with-Spatio-Temporal-Decoupling.git.
- Abstract（参考訳）: 人間のポーズ推定は、IoT(Internet of Things)におけるインテリジェントな知覚の基礎であり、スマートヘルスケアから人間とコンピュータのインタラクションまで幅広いアプリケーションを可能にする。
WiFiベースの手法は普及しているが、連続的な動きと高い計算オーバーヘッドに悩まされることが多い。
この研究は、WiFi信号を用いた人間のポーズを連続的に推定する新しいフレームワークであるWiFlowを提示する。
チャネル状態情報(CSI)をイメージとして扱う2次元ディープ残差ネットワークのような視覚ベースのアプローチとは異なり、WiFlowはエンコーダデコーダアーキテクチャを採用している。
エンコーダは、時間的および非対称的な畳み込みを用いてCSIの時空間的特徴をキャプチャし、信号の元のシーケンシャル構造を保存する。
次に、人間の身体のキーポイントの特徴を改良して追跡し、軸方向の注意を通して構造的依存関係を捉えます。
その後、デコーダは符号化された高次元特徴をキーポイント座標にマッピングする。
毎日8回の連続的な活動を行う5人の被験者の360,000の同期CSI-poseサンプルの自己収集データセットに基づいて、WiFlowは、20%(PCK@20)で97.00%、PCK@50で99.48%の正解キーポイント(PCK)を平均0.008mで達成した。
4.82Mパラメータだけで、WiFlowはモデルの複雑さと計算コストを大幅に削減し、実用的なWiFiベースの人間のポーズ推定のための新しいパフォーマンスベースラインを確立する。
私たちのコードとデータセットはhttps://github.com/DY2434/WiFlow-WiFi-Pose-Estimation-with-Spatio-Temporal-Decoupling.gitで公開されています。
関連論文リスト
- WiFi-based Cross-Domain Gesture Recognition Using Attention Mechanism [61.79272554643873]
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。
論文 参考訳（メタデータ） (2025-12-04T07:09:13Z) - Graph-based 3D Human Pose Estimation using WiFi Signals [7.772045520373017]
GraphPose-Fiは、WiFiベースの人間のポーズ推定のための骨格トポロジーを明示的にモデル化するグラフベースのフレームワークである。
提案手法はMM-Fiデータセット上の既存手法を様々な設定で大幅に上回っている。
論文 参考訳（メタデータ） (2025-11-24T13:40:26Z) - STAR: A Privacy-Preserving, Energy-Efficient Edge AI Framework for Human Activity Recognition via Wi-Fi CSI in Mobile and Pervasive Computing Environments [0.0]
Wi-Fi Channel State Information (CSI)によるヒューマンアクティビティ認識は、スマートホーム、ヘルスケア監視、モバイルIoTシステムに適した、プライバシ保護、コンタクトレスセンシングアプローチを提供する。
本稿では,軽量ニューラルネットワーク,適応信号処理,ハードウェア対応協調最適化を統合したエッジAI最適化フレームワークSTAR(Sensing Technology for Activity Recognition)を提案する。
サブ秒以下の応答レイテンシと低消費電力により、リアルタイムでプライバシ保護のHARが保証され、モバイルおよび普及型コンピューティング環境に実用的なスケーラブルなソリューションを提供する。
論文 参考訳（メタデータ） (2025-10-30T05:08:25Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳（メタデータ） (2023-04-14T09:39:06Z) - NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。
所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。
ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
論文 参考訳（メタデータ） (2022-09-29T04:06:00Z) - 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 Prospective Approach for Human-to-Human Interaction Recognition from
Wi-Fi Channel Data using Attention Bidirectional Gated Recurrent Neural
Network with GUI Application Implementation [0.0]
本研究は、WiFiルータとIntel 5300 NIC間の多重入力多重出力無線リンクと、時系列Wi-Fiチャネル状態情報を用いて、人対人同時通信認識を行う。
提案した自己注意誘導双方向Gated Recurrent Neural Networkは、13の相互相互作用を1つの主題ペアに対して最大94%のベンチマーク精度で分類することができる。
論文 参考訳（メタデータ） (2022-02-16T15:40:52Z) - FastFlowNet: A Lightweight Network for Fast Optical Flow Estimation [81.76975488010213]
ディセンス光学フロー推定は、多くのロボットビジョンタスクで重要な役割を果たしています。
現在のネットワークはしばしば多くのパラメータを占有し、計算コストがかかる。
提案したFastFlowNetは、周知の粗大なやり方で、以下のイノベーションで機能する。
論文 参考訳（メタデータ） (2021-03-08T03:09:37Z) - Multivariate Time Series Classification Using Spiking Neural Networks [7.273181759304122]
スパイクニューラルネットワークは低消費電力を可能にするため注目されている。
本稿では,時系列をスパース時空間スパイクパターンに変換する符号化方式を提案する。
空間時間パターンを分類する学習アルゴリズムも提案する。
論文 参考訳（メタデータ） (2020-07-07T15:24:01Z) - A CNN-LSTM Quantifier for Single Access Point CSI Indoor Localization [9.601632184687787]
本稿では,Wi-Fiフィンガープリンティング屋内ローカライゼーションのための畳み込みニューラルネットワーク(CNN)と長寿命メモリ(LSTM)量子化器(LSTM)を組み合わせたネットワーク構造を提案する。
WiFiルータを1つだけ使うと、平均局所化誤差が2.5mで、4m未満の誤差は$mathrm80%である。
論文 参考訳（メタデータ） (2020-05-13T16:54:31Z) - Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。
標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2020-04-06T15:51:00Z)
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。