Apr, 2022

SecureSense: 防御对抗攻击的安全无设备人体活动识别

PDF
TL;DR本文研究使用深度神经网络进行设备自由的人类活动识别，并提出了一个名为 SecureSense 的新型学习框架以抵御常见的敌对攻击，实验证明 SecureSense 可显著增强现有深度模型的鲁棒性，这是第一项在移动计算研究中研究敌对攻击并进一步开发用于无线人类活动识别的新型防御框架。
deep neural networksdevice-free human activity recognitionsecuresenseadversarial attacksmodel robustness
发现论文，激发创造
  • 传感器人体活动识别的深度神经网络架构和特征提取设计的研究

    通过在两个人体活动识别数据集上进行广泛的实验研究，我们调查了常见的深度学习和机器学习方法以及不同的训练机制（如对比学习）和从传感器时间序列数据中提取的各种特征表示的性能，以评估它们在人体活动识别任务中的有效性。

    Sep, 2023

  • 针对监视的物理对抗攻击：一项调查

    本文回顾了最近在物理对抗攻击方面的尝试和发现，并提出了一种框架来分析物理对抗攻击，并在该框架下对四个关键监控任务：检测，识别，跟踪和动作识别进行了全面的调查。此外，我们还回顾并分析了防御物理对抗攻击的策略和评估防御优势的方法。这篇论文为在监控系统中建立抵抗物理对抗攻击的韧性迈出了重要一步。

    May, 2023

  • 基于统计特征引导扩散模型的无监督传感器人体活动识别

    本文提出了一种基于非监督统计特征引导扩散模型的传感器数据的人类活动识别方法，通过利用统计信息来生成多样化和代表性的合成传感器数据。研究结果表明，所提出的方法可以提高人类活动识别的性能并胜过现有技术。

    May, 2023

  • 使用基于集合的神经网络从高度稀疏的传感器数据流中识别人类活动

    本文研究如何在时间稀疏的数据上直接使用深度学习模型进行活动识别，并从老年人的多个真实数据集中，通过学习活动特征空间，得出相比于现有模型有显著分类性能提升的结论。

    Jun, 2019

  • 利用生成对抗网络的跨主体迁移学习在人类活动识别系统中的应用

    本文介绍了一种名为 SA-GAN（Subject Adaptor GAN）的对抗性学习方法，利用生成式对抗网络框架在穿戴传感器人体活动识别领域进行跨主体迁移学习，表现优于其他现有的方法，准确性高达 90%。

    Mar, 2019

  • 利用超宽带信道脉冲响应进行人体本地化的测试时间对抗性检测和鲁棒性

    本论文提出了一种通过量化预训练神经网络的局部中间响应和辅助 softmax 层的置信度得出输入的对抗样本的测试时间对抗样本例探测器，并通过非迭代输入样本剪辑来减弱非相关特征，从而提高了 15 种对抗扰动水平下的平均性能，其中快速梯度符号法（FGSM）提高了 55.33％，而基本迭代法（BIM）和投影梯度法（PGD）分别提高了 6.3％。

    Nov, 2022

  • 移动众感知中基于生成对抗网络的对抗任务检测

    本文提出了一种基于 GAN 的模型，通过将 GAN 判别器与二元分类器相结合，预防对手伪造任务，从而检测智能设计的非法传感服务请求。模拟结果表明，与单层二元分类器相比，提出的方法将对抗攻击检测率从 0% 提高到 97.5%，提高了三个二元分类器的原始攻击检测率。

    Feb, 2022

  • 使用灵活且可扩展的软件定义无线电进行深度学习的非接触式人类活动识别

    本研究基于 Wi-Fi CSI 研究人体活动识别，提出一种使用深度学习方法的系统，并比较了卷积神经网络、长短期记忆网络和混合模型的效果，结果表明 LSTM 的平均准确率达到 95.3％，相比 CNN 和混合技术更加有效，未来需要在不同的复杂环境中研究其稳健性。

    Apr, 2023

  • 人体活动检测的多任务自监督学习

    本文提出了一种基于自监督技术的特征学习方法，应用于无形标签的传感器数据。该方法可以应用于人类活动识别等领域，可以通过转化识别任务提供监督信号提取有价值的特征，并在智能手机环境下的无人监督、半监督和迁移学习的情况下实现了与完全监督网络相当甚至更好的性能。该技术可被广泛应用于其他领域。

    Jul, 2019

  • 保护感官数据免受敏感推断影响

    本研究提出了移动设备的特征学习体系结构，以适当转换原始感测器数据提供灵活的、可协商的隐私保护传输，并将模型从当前的二进制设置向每个应用程序授予权限的范围内推进，以实现提供的服务。该框架已在 MotionSense 数据集上验证，在保持转换数据对活动识别的有用性的同时，仅有约 3 个百分点的平均损失，同时将性别分类的可能性从使用原始感测器数据时的 90％以上降至使用转换数据时的 50％左右。

    Feb, 2018