論文の概要: AMAR: Lightweight Attention-Based Multi-User Activity Recognition from Wi-Fi CSI

• arxiv url: http://arxiv.org/abs/2605.20649v1
• Date: Wed, 20 May 2026 03:09:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.45386
• Title: AMAR: Lightweight Attention-Based Multi-User Activity Recognition from Wi-Fi CSI
• Title（参考訳）: AMAR:Wi-Fi CSIによる軽量アテンションに基づくマルチユーザアクティビティ認識
• Authors: Amirhossein Mohammadi, Hina Tabassum,
• Abstract要約: Wi-Fiベースのヒューマンアクティビティ認識(HAR)は、非接触センシングのための有望なアプローチとして登場した。 本稿では,HARを集合予測問題として定式化する,注目に基づくマルチユーザアクティビティ認識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）: 15.684101182919497
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Wi-Fi-based human activity recognition (HAR) has emerged as a promising approach for contactless sensing, leveraging channel state information (CSI) collected from wireless transceivers. While existing studies have primarily concentrated on single-user scenarios, real-world deployments often involve multi-user settings where concurrent users' movements induce overlapping CSI patterns that challenge conventional classification methods. To address this limitation, this paper introduces an attention-based multi-user activity recognition (AMAR) framework that formulates HAR as a set prediction problem. The transformer-based architecture in AMAR leverages learnable query embeddings acting as specialized activity detectors, enabling the simultaneous identification of multiple activities from composite CSI representations. Moreover, to address deployment constraints, AMAR is designed in an edge-cloud split architecture form where lightweight convolutional networks on edge devices perform initial feature extraction, followed by residual vector quantization that achieves substantial bandwidth reduction while preserving activity-discriminative information. The cloud component performs final activity prediction through attention-based set matching, enabling the system to handle varying occupancy levels. Across classroom, meeting-room, and empty-room environments, on average AMAR nearly doubles the rate of perfectly predicting all concurrent activities compared to the best baseline. Moreover, it achieves an $F_1$-score of 53.4% compared to 45.6% for the best benchmark, and reduces occupancy estimation error by 74%, while minimizing bandwidth substantially.
• Abstract（参考訳）: 無線トランシーバから収集したチャネル状態情報(CSI)を活用する,非接触センシングのための有望なアプローチとして,Wi-Fiベースのヒューマンアクティビティ認識(HAR)が登場した。 既存の研究は主にシングルユーザシナリオに重点を置いているが、実世界の展開には、従来の分類手法に挑戦する重複したCSIパターンを同時ユーザの動作によって引き起こすマルチユーザ設定が伴うことが多い。 この制限に対処するために,HARを集合予測問題として定式化する注目型マルチユーザアクティビティ認識(AMAR)フレームワークを提案する。 AMARのトランスフォーマーベースのアーキテクチャは、特殊なアクティビティ検出器として機能する学習可能なクエリ埋め込みを活用し、複合CSI表現からの複数のアクティビティの同時識別を可能にする。 さらに、デプロイ制約に対処するため、AMARはエッジデバイス上の軽量畳み込みネットワークが初期特徴抽出を行うエッジクラウド分割アーキテクチャ形式で設計され、次にアクティビティ識別情報を保持しながら帯域幅を大幅に削減する残留ベクトル量子化を行う。 クラウドコンポーネントは、アテンションベースのセットマッチングを通じて最終的なアクティビティ予測を実行し、システムは様々な占有レベルを処理できる。 教室、会議室、空室環境全体において、平均的なAMARは、最高のベースラインと比べて、すべての並行アクティビティを完璧に予測する確率をほぼ2倍にします。 さらに、最高のベンチマークでは45.6%に比べて53.4%のF_1$スコアを実現し、帯域幅を大幅に最小化しながら、占有率推定誤差を74%削減した。

関連論文リスト

• COVTrack++: Learning Open-Vocabulary Multi-Object Tracking from Continuous Videos via a Synergistic Paradigm [59.26203051651017]
  C-TAOはOpen-Vocabulary Multi-Object Tracking (OVMOT)のための最初の連続アノテーション付きトレーニングセットである フレームワークボトルネックに対するCOVTrack++は,3つのモジュールによる検出とアソシエーションの双方向相互機構を実現するための相乗的フレームワークである。 TAOの実験では、新しいTAAは検証とテストセットで35.4%、30.5%に達し、新しいAssocAは4.8%、新しいLocAは5.8%向上した。
  論文  参考訳（メタデータ） (2026-03-25T07:20:27Z)
• Hybrid Deep Learning Framework for CSI-Based Activity Recognition in Bandwidth-Constrained Wi-Fi Sensing [1.0554048699217669]
  本稿では,CSIに基づくヒューマンアクティビティ認識(HAR)の堅牢性向上を目的とした,ハイブリッドなディープラーニングフレームワークを提案する。 このフレームワークの有効性は、20、40、80MHzの帯域幅構成のパブリックデータセットを使用して体系的に検証された。
  論文  参考訳（メタデータ） (2026-01-27T12:42:07Z)
• 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)
• Task-Oriented Feature Compression for Multimodal Understanding via Device-Edge Co-Inference [54.53508601749513]
  本稿では,マルチモーダル理解のためのタスク指向特徴圧縮(TOFC)手法を提案する。 圧縮効率を向上させるために、視覚特徴の特性に基づいて複数のエントロピーモデルを適応的に選択する。 その結果,TOFCはデータ転送オーバーヘッドを最大52%削減し,システム遅延を最大63%削減できることがわかった。
  論文  参考訳（メタデータ） (2025-03-17T08:37:22Z)
• Cross-Domain Continual Learning for Edge Intelligence in Wireless ISAC Networks [24.55741355643116]
  エッジインテリジェンス(EI)は、チャネル状態情報(CSI)に基づいてユーザアクティビティを検知するエッジデバイス(ED)で開発されることが期待される。 CSIはユーザの特性に非常に依存しているため、CSI-Activity関係はドメイン依存であることが知られている。 We propose the EdgeCL framework, which the EI can continue-then-discard each input dataset。
  論文  参考訳（メタデータ） (2025-02-18T10:50:47Z)
• 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)
• HARMamba: Efficient and Lightweight Wearable Sensor Human Activity Recognition Based on Bidirectional Mamba [7.412537185607976]
  ウェアラブルセンサーによる人間の活動認識(HAR)は、活動知覚において重要な研究領域である。 HARMambaは、選択的な双方向状態空間モデルとハードウェア対応設計を組み合わせた、革新的な軽量で多用途なHARアーキテクチャである。 HarMambaは現代の最先端フレームワークより優れており、計算とメモリの要求を大幅に削減し、同等またはより良い精度を提供する。
  論文  参考訳（メタデータ） (2024-03-29T13:57:46Z)

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。