EfficientFi:通过 CSI 压缩实现大规模轻量级 WiFi 感知
该论文介绍了一种名为实时感知和压缩网络(RSCNet)的新型网络,通过压缩通道状态信息(CSI)来减少通信开销,提高感知准确性。研究结果表明,RSCNet 相较于 SenseFi 等现有基准模型在感知准确性和通信成本等方面都有显著改进。
Jan, 2024
本文介绍了近年来 WiFi sensing 技术的进展,提出了一个名为 SenseFi 的公共基准,并对比了不同的深度学习模型,旨在研究不同的实验任务、WiFi 平台、识别准确度、模型大小、计算复杂度、特征可迁移性以及非监督学习的适应性。它还被视为一个基于深度学习的 WiFi sensing 教程,从 CSI 硬件平台到传感算法开始。作为首个带有开源库的 WiFi sensing 深度学习基准,这项研究为实际应用提供了深层模型设计、学习策略技巧和训练方法的经验。
Jul, 2022
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
本文提出一种基于深度学习的机器消耗数据压缩和量化框架,以最大化在融合中心推导出的全局决策的准确性为目标,并提出以感测目标为设计基础的数据压缩机制和熵量化器方法,相较于其他基准模型在性能上有较大提升。
Mar, 2022
使用深度学习技术,本文提出了一种新型的频分双工模式下的 CSI 感知和恢复机制 CsiNet,将 CSI 转换为一组最佳表示,具有比现有压缩感知方法更好的重建质量和有效的波束成形增益。
Dec, 2017
使用 WiFi Channel State Information(CSI)进行图像合成,通过墙壁场景下的图像监测方法来改进 WiFi CSI 的可解释性并实现基于图像的下游任务,如视觉活动识别。
Jan, 2024
本文介绍了稀疏表示在无线通信领域的各种应用,重点介绍了最近在压缩感知技术方面的应用。文章提供了稀疏表示在 5G 和物联网网络中增强频谱效率和能效的相关原则、不同稀疏域及其应用。
Jan, 2018
本文提出了一种基于深度学习的方案,以改进基于压缩感知技术的叠加信道状态信息反馈,包括频分双工、大规模 MIMO、1 比特压缩感知、模型驱动方法和干扰消除技术等方面。该方案能够显著提高用户上联信息和下联信道状态信息的恢复精度,并具有对参数变化的鲁棒性。
Mar, 2022
本文提出了一种多速度压缩感知神经网络框架来压缩和量化 CSI,从而提高重建精度、减少存储空间,增强系统可行性,并通过可视化参数研究了基于深度学习的 CSI 反馈方法的压缩和重建机制,提供了随后的研究指导。
Jun, 2019
提出了一种名为 OrcoDCS 的物联网边缘协调在线深度压缩感知框架,通过利用特别设计的非对称自编码器,降低编码开销、提高重构性能和鲁棒性,实现了对不同物联网设备组和其感知任务的高度灵活性和适应性,同时在训练时间上优于现有的压缩数据聚合方法并为后续应用提供更高性能。
Aug, 2023