論文の概要: WISE-HAR: A Generalizable Ensemble Deep Learning Framework for WiFi-Based Human Activity Recognition

• arxiv url: http://arxiv.org/abs/2606.02974v1
• Date: Tue, 02 Jun 2026 00:25:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:04.652009
• Title: WISE-HAR: A Generalizable Ensemble Deep Learning Framework for WiFi-Based Human Activity Recognition
• Title（参考訳）: WISE-HAR:WiFiに基づく人間活動認識のための一般化可能な深層学習フレームワーク
• Authors: Maheen Arshad, Qindeel E Zahra, Muhammad Khuram Shahzad,
• Abstract要約: WiFi信号を用いたヒューマンアクティビティ認識(HAR)は、スマートホーム、医療監視、セキュリティシステム、環境支援生活のためのトランスフォーメーション技術として登場した。 本稿では,Wallhack1.8k WiFi スペクトログラムデータセットを用いて,「空き部屋」,「ウォーキング」,「ウォーキング+アームウォービング」の3つの異なる行動を認識するための包括的アプローチを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human Activity Recognition (HAR) using WiFi signals has emerged as a transformative technology for smart homes, healthcare monitoring, security systems, and ambient assisted living. Unlike traditional camera-based systems that raise significant privacy concerns and fail in low-light conditions, or wearable sensors that require user compliance, WiFi-based HAR is non-intrusive, privacy-preserving, cost-effective, and works seamlessly in any lighting condition. This paper presents a comprehensive approach to recognize three distinct human activities: "No Presence" (empty room), "Walking", and "Walking + Arm-waving" using the Wallhack1.8k WiFi spectrogram dataset. We propose three key improvements to address the main challenges in WiFi-based HAR. First, to address high performance variance, we implement ensemble learning with five different CNN architectures (Deep CNN, Wide CNN, MobileNetV2, ResNet50V2, and EfficientNetB0). Second, to address the small dataset size limitation, we apply aggressive data augmentation techniques including time-warping, frequency masking, and noise addition. Third, to evaluate real-world generalization capability, we perform cross-scenario evaluation (training on Line-of-Sight and testing on Non-Line-of-Sight) and cross-antenna evaluation (training on Biquad antenna and testing on PIFA antenna). Our ensemble model achieved a test accuracy of 94.87% on the LOS scenario with Biquad antenna, outperforming the best individual model by 0.66%. Data augmentation improved Random Forest performance from 60% to 95%. Cross-scenario evaluation showed minimal accuracy drops of only 1.37% and 2.07%, demonstrating strong generalization capabilities. The results indicate that the proposed approach is robust, reliable, and suitable for real-world deployment in diverse environments with different hardware configurations.
• Abstract（参考訳）: WiFi信号を用いたヒューマンアクティビティ認識(HAR)は、スマートホーム、医療監視、セキュリティシステム、環境支援生活のためのトランスフォーメーション技術として登場した。 従来のカメラベースのシステムでは、プライバシー上の懸念を生じさせ、低照度環境では失敗する、あるいはユーザーのコンプライアンスを必要とするウェアラブルセンサーとは異なり、WiFiベースのHARは侵入性がなく、プライバシーを保護し、費用対効果があり、どんな照明条件でもシームレスに機能する。 本稿では,Wallhack1.8k WiFi スペクトログラムデータセットを用いて,「空き部屋」,「ウォーキング」,「ウォーキング+アームウォービング」の3つの異なる行動を認識するための包括的アプローチを提案する。 WiFiベースのHARの主な課題に対処するための3つの重要な改善を提案する。 まず,5つのCNNアーキテクチャ(Deep CNN, Wide CNN, MobileNetV2, ResNet50V2, EfficientNetB0)でアンサンブル学習を実装した。 第二に、小さなデータセットサイズ制限に対処するために、時間ワープ、周波数マスキング、ノイズ付加といったアグレッシブなデータ拡張手法を適用する。 第3に,実世界の一般化能力を評価するために,クロスシナリオ評価(ライン・オブ・ザ・ライン・オブ・サテライトのトレーニング,非ライン・オブ・サテライトの試験)とクロスアンテナ評価(バイカッドアンテナのトレーニング,PIFAアンテナの試験)を行う。 私たちのアンサンブルモデルでは、バイオクアッドアンテナを用いたLOSシナリオで94.87%の精度でテストを行い、最高のモデルよりも0.66%向上した。 データ拡張によりランダムフォレストのパフォーマンスは60%から95%に向上した。 クロスシナリオ評価では1.37%と2.07%の最小の精度低下を示し、強力な一般化能力を示した。 提案手法は,ハードウェア構成の異なる多様な環境において,堅牢で信頼性が高く,実環境への展開に適したものであることを示す。

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)
• Scale What Counts, Mask What Matters: Evaluating Foundation Models for Zero-Shot Cross-Domain Wi-Fi Sensing [2.5495319679484054]
  Wi-Fiセンサーは、カメラに代わる魅力的なプライバシー保護を提供する。 1つのセットアップでトレーニングされたモデルは、新しい環境やハードウェア、ユーザへの一般化に失敗する。 本研究は14のデータセットから抽出した13万以上のサンプルの事前学習と評価を行う。
  論文  参考訳（メタデータ） (2025-11-24T05:46:29Z)
• RoHOI: Robustness Benchmark for Human-Object Interaction Detection [84.78366452133514]
  ヒューマン・オブジェクト・インタラクション(HOI)検出は、コンテキスト認識支援を可能にするロボット・ヒューマン・アシストに不可欠である。 HOI検出のための最初のベンチマークを導入し、様々な課題下でモデルのレジリエンスを評価する。 我々のベンチマークであるRoHOIは、HICO-DETとV-COCOデータセットに基づく20の汚職タイプと、新しいロバストネスにフォーカスしたメトリクスを含んでいる。
  論文  参考訳（メタデータ） (2025-07-12T01:58:04Z)
• Talk is Not Always Cheap: Promoting Wireless Sensing Models with Text Prompts [14.801020598640191]
  本稿では,3つの迅速な戦略記述,簡潔な説明,詳細なアクション記述を通じて意味的知識をシームレスに統合する,革新的なテキスト強調型無線センシングフレームワークWiTalkを提案する。 我々は、このフレームワークを、人行動認識のためのXRF55、WiFiTAL、WiFi時行動ローカライゼーションのためのXRFV2の3つの公開ベンチマークデータセットで厳格に検証した。
  論文  参考訳（メタデータ） (2025-04-20T13:58:35Z)
• Directional Antenna Systems for Long-Range Through-Wall Human Activity Recognition [1.7404865362620803]
  WiFi Channel State Information (CSI)ベースのヒューマンアクティビティ認識(HAR)は、空間的に制約された環境での接触のない長距離センシングを可能にする。 Espressif ESP32の変種は、WiFi CSIベースのHARのための低コストで容易にデプロイできるソリューションとして登場した。 本研究では、4つのESP32-S3ベースの2.4GHz指向性アンテナシステムについて,長距離スルーウォールHARの容易性について評価した。
  論文  参考訳（メタデータ） (2024-01-01T22:35:22Z)
• 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)
• A lightweight and accurate YOLO-like network for small target detection in Aerial Imagery [94.78943497436492]
  小型ターゲット検出のためのシンプルで高速で効率的なネットワークであるYOLO-Sを提案する。 YOLO-SはDarknet20をベースとした小さな特徴抽出器と、バイパスと連結の両方を通じて接続をスキップする。 YOLO-Sはパラメータサイズが87%減少し、約半分のFLOPがYOLOv3となり、低消費電力の産業用アプリケーションに実用化された。
  論文  参考訳（メタデータ） (2022-04-05T16:29:49Z)

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。