論文の概要: Seeing Through WiFi: Lightweight Human Pose Estimation with Dynamic Kernel Attention

• arxiv url: http://arxiv.org/abs/2607.03196v1
• Date: Fri, 03 Jul 2026 11:04:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.550956
• Title: Seeing Through WiFi: Lightweight Human Pose Estimation with Dynamic Kernel Attention
• Title（参考訳）: WiFiで見る:ダイナミックカーネルアテンションによる軽量人文推定
• Abstract要約: WiFiベースのヒューマンポーズ推定(HPE)は、ウェアラブルデバイスを必要とせず、人体の位置や動きの検出と解釈を可能にする。 本稿では、WiFi CSI信号を用いた軽量で効率的なポーズ推定のための新しいフレームワークWiLHPEを提案する。
• 参考スコア（独自算出の注目度）: 55.570606479386434
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: WiFi-based human pose estimation (HPE) enables the detection and interpretation of human body positions and movements without the need for wearable devices while preserving individual privacy concerns. Implementing this solution requires enhancing model performance and maintaining efficiency, especially on resource-constrained devices. This paper introduces a novel framework, WiLHPE, for lightweight and efficient human pose estimation using WiFi CSI signals. Empowered by a camera-based model during training, WiLHPE processes raw WiFi signals directly to estimate human poses in the testing phase. It employs a novel neural network architecture to dynamically learn convolutional kernels and apply attention mechanisms across channel and frequency spaces. This innovative method diversifies the kernels to improve the recognition capabilities of WiFi signals without adding complexity, ensuring efficiency. Additionally, the Tree-Structured Parzen Estimator algorithm is employed to optimize the critical hyperparameters of the neural network efficiently, minimizing the time required for optimal hyperparameter search compared to heuristic methods. Results from experiments on both the MM-Fi and WiPose datasets highlight the superiority of WiLHPE over state-of-the-art approaches, achieving 85.96% and 94.27% at PCK50, respectively, with minimal computational overhead. Notably, WiLHPE performs impressively even under challenging conditions, maintaining around 80% at PCK50 under AWGN noise with an error variance of 0.5.
• Abstract（参考訳）: WiFiベースのヒューマンポーズ推定(HPE)は、個人のプライバシー上の懸念を保ちながら、ウェアラブルデバイスを必要とせずに、人体の位置や動きの検出と解釈を可能にする。 このソリューションを実装するには、特にリソース制約のあるデバイスにおいて、モデルパフォーマンスの向上と効率の維持が必要である。 本稿では、WiFi CSI信号を用いた軽量で効率的なポーズ推定のための新しいフレームワークWiLHPEを提案する。 WiLHPEは、トレーニング中にカメラベースのモデルを利用して、生のWiFi信号を直接処理し、テストフェーズにおける人間のポーズを推定する。 畳み込みカーネルを動的に学習し、チャネルと周波数空間に注意機構を適用するために、新しいニューラルネットワークアーキテクチャを採用している。 この革新的な手法は、複雑さを増すことなくカーネルを多様化し、WiFi信号の認識能力を向上し、効率性を確保する。 さらに、ニューラルネットワークの臨界ハイパーパラメーターを効率的に最適化するために、木構造パーゼン推定アルゴリズムを用いて、ヒューリスティック手法と比較して最適なハイパーパラメーター探索に必要な時間を最小化する。 MM-FiデータセットとWiPoseデータセットの両方の実験の結果、最先端のアプローチよりもWiLHPEの方が優れており、それぞれ85.96%と94.27%をPCK50で達成し、計算オーバーヘッドは最小限である。 特に、WiLHPEは挑戦的な条件下でも顕著に動作し、AWGNノイズ下ではPCK50で約80%、エラー分散は0.5である。

関連論文リスト

• WiFuse: An Attention Mechanism for Human Activity Recognition using Fused CSI Amplitude and Delay-Doppler Channel Features [1.0554048699217669]
  WiFuseは、人間の活動認識のためのデュアルストリームチャネル状態情報フレームワークである。 デュアルストリーム戦略内で振幅と遅延ドップラー表現をペアリングし、転送学習によって強化される。 XRF55データセットの4つの環境で最高95.28%、マルチユーザWi-MIRデータセットで最大98.20%に達する。
  論文  参考訳（メタデータ） (2026-08-01T12:54:09Z)
• Wi-Spike: A Low-power WiFi Human Multi-action Recognition Model with Spiking Neural Networks [11.92978756225668]
  Wi-Spikeは、バイオインスパイアされた、効率的かつ正確な行動認識のためのニューラルネットワークフレームワークである。 我々は,Wi-Spikeがシングルアクション認識において競合精度を達成し,マルチアクション認識タスクにおいて優れた性能を発揮することを示す。 エネルギー消費に関しては、Wi-Spikeは他の方法と比べてエネルギーコストを少なくとも半分削減するが、人間の活動認識では95.83%の精度で認識できる。
  論文  参考訳（メタデータ） (2026-03-15T16:40:24Z)
• WiFlow: A Lightweight WiFi-based Continuous Human Pose Estimation Network with Spatio-Temporal Feature Decoupling [10.422199909343478]
  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。
  論文  参考訳（メタデータ） (2026-02-09T13:52:43Z)
• 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)
• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• Hyperdimensional Computing Empowered Federated Foundation Model over Wireless Networks for Metaverse [56.384390765357004]
  本稿では,新しい基礎モデルのための統合型分割学習と超次元計算フレームワークを提案する。 この新しいアプローチは通信コスト、計算負荷、プライバシーリスクを低減し、Metaverseのリソース制約されたエッジデバイスに適している。
  論文  参考訳（メタデータ） (2024-08-26T17:03:14Z)
• Evaluating Spiking Neural Network On Neuromorphic Platform For Human Activity Recognition [2.710807780228189]
  エネルギー効率と低レイテンシは、ウェアラブルAIを活用した人間の活動認識システムにとって重要な要件である。 スパイクベースのワークアウト認識システムは、従来のニューラルネットワークを備えた一般的なミリワットRISC-VベースマルチコアプロセッサGAP8に匹敵する精度を達成することができる。
  論文  参考訳（メタデータ） (2023-08-01T18:59:06Z)
• Addressing Gap between Training Data and Deployed Environment by On-Device Learning [1.6258710071587594]
  本稿では、オンデバイスラーニング(ODL)アプローチに基づくニューラルネットワークを導入し、デプロイされた環境で再トレーニングすることでこの問題に対処する。 我々のアプローチは、ローエンドエッジデバイスに適した複数のニューラルネットワークの半教師付きシーケンシャルトレーニングに依存している。 回転機械の振動パターンを用いた実験により、ODLによる再トレーニングはノイズの多い環境での予測専用ディープニューラルネットワークと比較して異常検出精度を向上させることが示された。
  論文  参考訳（メタデータ） (2022-03-02T12:59:33Z)
• An Adaptive Device-Edge Co-Inference Framework Based on Soft Actor-Critic [72.35307086274912]
  高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。 本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。 レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
  論文  参考訳（メタデータ） (2022-01-09T09:31:50Z)
• Feeling of Presence Maximization: mmWave-Enabled Virtual Reality Meets Deep Reinforcement Learning [76.46530937296066]
  本稿では,無線モバイルユーザに対して,超信頼性でエネルギー効率のよいバーチャルリアリティ(VR)体験を提供するという課題について検討する。 モバイルユーザへの信頼性の高い超高精細ビデオフレーム配信を実現するために,コーディネートマルチポイント(CoMP)伝送技術とミリ波(mmWave)通信を利用する。
  論文  参考訳（メタデータ） (2021-06-03T08:35:10Z)
• Communication-Efficient Distributed Stochastic AUC Maximization with Deep Neural Networks [50.42141893913188]
  本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。 我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。 いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
  論文  参考訳（メタデータ） (2020-05-05T18:08:23Z)

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。