Jul, 2022

SenseFi：基于深度学习的 WiFi 人体感知库和基准测试

PDF
TL;DR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。
发现论文，激发创造
  • EfficientFi：通过 CSI 压缩实现大规模轻量级 WiFi 感知

    本文提出了一种新的大规模 WiFi 感应框架，名为 EfficientFi，通过边缘计算和云计算结合的方式，可以高效地压缩和还原 WiFi 信道信息，实现了准确的无设备人体活动感应，并在智能家居应用中实现了大范围的 WiFi 感应。

    Apr, 2022

  • AutoFi：基于几何自监督学习的自动 WiFi 人体感知技术

    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

  • Wi-Fi 无线感知实践：教程

    本篇教程以 Wi-Fi 感知技术为例，介绍了数据采集、信号处理、特征提取和模型设计的理论原则和代码实现，强调了深度学习模型（如 CNN、RNN 和对抗性学习模型）在无线感知系统中的应用。

    Jun, 2022

  • 运用深度学习技术进行 WiFi 指纹的低投入场所辨识

    本文研究使用深度神经网络来提高室内定位系统的可靠性和准确性，以 WiFi 信号为主要定位模式，并利用 UJIIndoorLoc 数据集进行实验和验证。

    Nov, 2016

  • 80MHz Wi-Fi 通道用于无线人体感应的 CSI 数据集

    该研究提供了一个包含多个环境、不同硬件、13 个主体和 13 个小时的 IEEE 802.11ac 信道数据集，以测试人体识别和人数统计算法的 WiFi 移动检测技术。

    Apr, 2023

  • DeepSense: 一种用于时序移动感知数据处理的统一深度学习框架

    DeepSense 是一个综合性的深度学习框架，能够直接处理移动感应中的噪声和特征自定义挑战。该框架可以应用于广泛的应用，包括汽车追踪、人类活动识别和生物运动分析，大幅优于现有方法。

    Nov, 2016

  • GaitFi: 基于 WiFi 和视觉多模态学习的强健无设备人体识别

    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

  • WiMANS：一份用于基于 WiFi 的多用户活动感知的基准数据集

    基于 WiFi 的多人活动感知的首个数据集 WiMANS 在多个环境中监测了多个用户的同时活动，并包括双 WiFi 频段的信道状态信息以及视频，用于评估 WiFi 和基于视频的人类感知模型的性能，为多用户识别、本地化和活动识别提供新的挑战和机会。

    Jan, 2024

  • MM-Fi：多模式非侵入式 4D 人体数据集用于多功能无线感应

    本文提出了 MM-Fi，这是第一个多模态、非侵入式的 4D 人员数据集，通过利用 LiDAR、毫米波雷达和 WiFi 信号等技术，来桥接无线感知和高级人员任务，支持人体姿态估计和动作识别等潜在感知任务。

    May, 2023

  • MaskFi: 无监督学习 WiFi 和视觉表示以进行多模态人体活动识别

    我们提出了一种新的无监督多模态 HAR 解决方案 MaskFi，该方案利用仅有的未标记视频和 WiFi 活动数据进行模型训练，通过预测表示学习中的遮挡区域，使模型能够学习跨模态和单模态特征。我们的方法在两个内部采集的 WiFi-vision 数据集上进行了广泛的实验证明，同时在鲁棒性和准确性方面实现了人类活动识别和人员识别。

    Feb, 2024