本文提出利用毫米波雷达信号分割人体轮廓的 RFMask 框架，包括信号处理、人体检测和遮罩生成三个模块，实验结果表明该方法在低光照和遮挡等场景下仍能有出色的成果，是首个在毫米波信号基础上分割人体轮廓的研究。

Jan, 2022

本研究通过将人体反射 WiFi 信号进行深度学习处理，在不受光照和隐私问题干扰的前提下，使用低成本的 WiFi 线路板实现了对人体细粒度的感知。

Mar, 2019

本论文旨在探索无人标记的射频信号数据在无监督学习下，是否能适应基于 RGB 的表示学习，并表明这种方法在多种任务上已经超过了基于射频信号的人体感知的最新成果，为来自这种新颖方式的无监督表征学习开辟了可能性。

Jul, 2022

WiFi 作为无处不在的信号是进行室内成像和同步最新信息给所有连接设备的一个有前景的选择。该研究工作首次将 WiFi 室内成像视为一个多模式图像生成任务，将测量得到的 WiFi 功率转换为高分辨率的室内图像。我们提出的 WiFi-GEN 网络实现的形状重构准确性是物理模型反演方法的 275％，此外，Frechet Inception Distance 得分减少了 82％。为了检验模型在这个任务中的有效性，我们发布了第一个大规模数据集，其中包含了 8 万对 WiFi 信号和成像目标。我们的模型将非线性、病态以及不确定性等挑战吸收到我们的生成 AI 网络的大量参数中，并且还设计了最佳拟合测得的 WiFi 信号和所需的成像输出。为了可复现性，我们将在接受后发布数据和代码。

Jan, 2024

通过无线射频成像实现准确的人体识别一直是一个持久的挑战，主要归因于有限的孔径大小及其对成像分辨率的影响。与估计关节不同，本文提出使用条件生成对抗网络 (cGAN) 对整个人体进行估计，以改善成像分辨率。我们使用估计的空间谱作为 cGAN 的输入，使用 MUltiple SIgnal Classification (MUSIC) 算法进行预处理以降低训练复杂性。我们的系统生成与环境无关的高分辨率图像，能从中提取有用的物理特征用于人体识别。我们采用基于卷积层的简单分类网络获得最终的识别结果。实验结果显示，我们训练的生成器生成的图像分辨率足够高，能够实现人体识别，与 Kinect 设备相比，平均剪影差异仅为 5%。在不同环境中对多个测试者进行的大量实验表明，我们的系统在未见环境中能够实现 93% 的整体测试准确率，用于静态人体目标识别。

Feb, 2024

自动 WiFi 传感器 AutoSen 通过提取综合的跨模态特征，在无标签 CSI 数据中实现了出色的 WiFi 自动感应能力。

Jan, 2024

本文提出了一种基于 Wi-Fi 信号的人体移动监测技术，通过开发神经网络模型，能够识别人际交互行为并在实时环境下呈现监测结果。

Feb, 2022

本文提出了一种针对弱监督 WiFi 姿势估计的领域自适应算法 AdaPose，该方法通过引入映射一致性损失来消除源域和目标域之间的领域差异，从而在智能城市中广泛应用 WiFi 姿势估计。

Sep, 2023

本文提出了一种基于新颖的几何自监督学习算法的自动 WiFi 感知模型 AutoFi，该模型可以利用不需要额外标注的低质量 CSI 样本进行学习，并将学习的知识传递到特定的用户定义任务中进行交叉任务转移，从而实现自动的 WiFi 感知。在人类步态识别任务和公共数据集上，AutoFi 实现了领先的性能，并展示了跨任务学习的能力。

Apr, 2022

本研究提出了一种新型的人体步态识别方法，名为 GaitFi，该方法利用 WiFi 信号和视频进行人体识别，其中 Channel State Information 可以捕捉人体步态，经实验证明 GaitFi 表现较好，可达到 94.2% 的人体识别准确率。

Aug, 2022