論文の概要: Robust Cross-Domain WiFi Fall Detection via Physics-Driven Attention-Enhanced Transformers

• arxiv url: http://arxiv.org/abs/2605.00869v1
• Date: Thu, 23 Apr 2026 03:28:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 06:56:26.481142
• Title: Robust Cross-Domain WiFi Fall Detection via Physics-Driven Attention-Enhanced Transformers
• Title（参考訳）: 物理駆動型アテンション強化変換器によるロバストクロスドメインWiFiフォール検出
• Authors: Yingzhe Wang, Cunhua Pan, Ruijing Liu, Shaokai Li, Hong Ren, Kezhi Wang, Jiangzhou Wang,
• Abstract要約: WiFiチャンネル状態情報(CSI)を利用したデバイスフリーの転倒検出が,高齢者の健康モニタリングのための有望なソリューションとして浮上している。 既存のディープラーニングアプローチでは、目に見えない環境にデプロイされた場合、パフォーマンスが大幅に低下する。 本稿では,新しいCNN-Transformerハイブリッドアーキテクチャを特徴とする,堅牢で汎用的なフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 64.35403680946182
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Device-free fall detection utilizing WiFi Channel State Information (CSI) has emerged as a promising, privacy-preserving solution for elderly health monitoring in the Internet of Things (IoT) era. However, existing deep learning approaches suffer from severe performance degradation when deployed in unseen environments due to static background overfitting and Non-Line-of-Sight (NLoS) signal attenuation. To address these critical bottlenecks, we propose a robust, domain-generalizable framework featuring a novel Attention-Enhanced CNN-Transformer hybrid architecture. First, we design a physics-driven \textbf{Dynamic Variance Gate (DVG)} to dynamically calculate local temporal variance, acting as a soft-attention mask that eliminates static environmental DC components while amplifying dynamic human motion. Second, we introduce a Physics-Aware Data Augmentation strategy to force the network to learn invariant morphological signatures rather than environment-specific noise. Furthermore, a Convolutional Block Attention Module (CBAM) is integrated to refine spatiotemporal features prior to Transformer-based sequence modeling. Extensive cross-domain evaluations across four distinct indoor environments demonstrate that our method achieves 97.6\% accuracy in NLoS scenarios and 98.8\% in completely unseen environments without target-domain fine-tuning. Finally, we deploy the proposed framework on an edge computing system equipped with commercial WiFi NICs. Real-world live inference field tests confirm the system's robustness against unseen environmental layouts and its capability for continuous, low-latency whole-home safety monitoring.
• Abstract（参考訳）: WiFi Channel State Information(CSI)を利用したデバイスフリーのフォール検出は、IoT(Internet of Things)時代に高齢者の健康モニタリングのための、将来性のあるプライバシー保護ソリューションとして登場した。 しかし、既存のディープラーニングアプローチでは、静的なバックグラウンドオーバーフィッティングとNon-Line-of-Sight(NLoS)信号減衰により、目に見えない環境にデプロイされた場合、パフォーマンスが著しく低下する。 このような重要なボトルネックに対処するため,我々は,新しいCNN-Transformerハイブリッドアーキテクチャを特徴とする,堅牢で汎用的なフレームワークを提案する。 まず物理駆動型「DVG」を設計し、局所時間変動を動的に計算し、動的人間の動きを増幅しながら静的な環境DC成分を除去するソフトアテンションマスクとして機能する。 第2に、環境固有のノイズではなく、不変な形態的シグネチャを学習するようネットワークに強制する物理対応データ拡張戦略を導入する。 さらに、CBAM(Convolutional Block Attention Module)は、Transformerベースのシーケンスモデリングに先立って、時空間の特徴を洗練するために統合される。 4つの異なる屋内環境におけるクロスドメイン評価の結果,NLoSシナリオでは97.6\%,未確認環境では98.8\%の精度が達成された。 最後に,商用のWiFi NICを搭載したエッジコンピューティングシステム上に,提案するフレームワークをデプロイする。 実世界のライブ推論フィールドテストは、システムが目に見えない環境レイアウトに対して堅牢であることと、連続して低レイテンシで家庭全体の安全監視を行う能力を確認します。

関連論文リスト

• Compressive sensing inspired self-supervised single-pixel imaging [48.79613794195208]
  SISTA-Netは、単画素イメージングのための圧縮センシングインスパイアされた自己教師方式である。 我々は、適応スパース変換と学習可能なソフトスレッショルド演算子を組み合わせることで、潜伏領域に明示的な物理的間隔を課すために、ディープ非線形ネットワークを利用する。 複数のシミュレーションシナリオの実験では、SISTA-NetはPSNRの2.6dBで最先端の手法より優れていた。
  論文  参考訳（メタデータ） (2026-03-31T13:31:43Z)
• A Secure and Private Distributed Bayesian Federated Learning Design [56.92336577799572]
  DFL(Distributed Federated Learning)は、中央パラメータサーバを持たない大規模システム間の分散モデルトレーニングを可能にする。 DFLは、3つの重要な課題に直面している: 正直な隣人からのプライバシー漏洩、中央調整の欠如による収束の遅さ、モデルの精度の低下を目指すビザンティンの敵に対する脆弱性。 本稿では,ビザンチンの堅牢性,プライバシー保護,収束促進を統合した新しいDFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-23T16:12:02Z)
• SPOT: Spatio-Temporal Obstacle-free Trajectory Planning for UAVs in an Unknown Dynamic Environment [1.9181913148426697]
  我々は、視覚に基づくセーフフライト・コリドール(SFC)世代と統合した4次元プランナーを開発した。 シミュレーションおよび実世界のハードウェア実験において,本手法を広範囲に検証し,最先端の手法と比較した。
  論文  参考訳（メタデータ） (2026-02-01T12:24:12Z)
• 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)
• Adaptive Control Attention Network for Underwater Acoustic Localization and Domain Adaptation [8.017203108408973]
  海洋における音源の局所化は、環境の複雑でダイナミックな性質のために難しい課題である。 本研究では,移動音源と受信機の距離を正確に予測するマルチブランチネットワークアーキテクチャを提案する。 提案手法は,SOTA(State-of-the-art)アプローチに類似した設定で優れる。
  論文  参考訳（メタデータ） (2025-06-20T18:13:30Z)
• 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)
• Efficient Unsupervised Domain Adaptation Regression for Spatial-Temporal Sensor Fusion [6.963971634605796]
  環境およびバイオメディカル領域における低コストで分散センサーネットワークは、継続的な大規模健康モニタリングを可能にしている。 これらのシステムは、センサーのドリフト、ノイズ、キャリブレーションの不十分に起因する劣化したデータ品質に関する課題に直面していることが多い。 センサフュージョンとキャリブレーションの伝統的な機械学習手法は、広範な機能工学に依存している。 回帰タスクに適した新しいunsupervised domain adapt(UDA)手法を提案する。
  論文  参考訳（メタデータ） (2024-11-11T12:20:57Z)
• PointFix: Learning to Fix Domain Bias for Robust Online Stereo Adaptation [54.734201944510026]
  本稿では,PointFixと呼ばれるメタラーニングフレームワークに補助的なポイント選択型ネットワークを導入することを提案する。 簡単に言えば、我々の補助的ネットワークは、メタグラディエントを通じて局所情報を効果的にバックプロパゲートすることで、局所的変異を集中的に修正することを学ぶ。 このネットワークはモデルに依存しないため、プラグイン・アンド・プレイ方式であらゆる種類のアーキテクチャで使用することができる。
  論文  参考訳（メタデータ） (2022-07-27T07:48:29Z)
• DyLoc: Dynamic Localization for Massive MIMO Using Predictive Recurrent Neural Networks [5.690548525055658]
  本稿では,時間変動の複雑なマルチパス環境において高精度なデータ駆動型ローカリゼーションフレームワークを提案する。 データ駆動型フレームワークDyLocについて,前景変化による歪んだADPを復元し,正確な位置推定を行う。 我々は,従来のDCNN技術が動的環境において望ましい精度で動作しないことを示す。
  論文  参考訳（メタデータ） (2021-01-19T20:15:34Z)
• Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for Online Collision Avoidance [95.86944752753564]
  本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。 我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。 本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
  論文  参考訳（メタデータ） (2020-07-28T07:34:30Z)

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。