基于 WiFi CSI 的人体活动识别的自监督学习:系统研究
通过引入 Anetenna Response Consistency (ARC) 作为解决方案来定义适当的对准准则,本研究分析了 ARC 的 CSI 数据结构视角,并且通过提供大量的实验证据来验证 ARC 在提高基于 WiFi 的自监督学习在人类活动识别中的性能方面的有效性。
Oct, 2023
本文研究自监督学习在传感器人体活动识别中的应用,并分析了两个最近的自监督学习框架 SimCLR 和 VICReg 的深层表示,比较了监督和自监督模型对输入数据噪声的鲁棒性,并通过可解释性方法探索了 SSL 和监督表示中编码的性质。研究表明,自监督学习表示比监督模型更加鲁棒,但监督模型学习到的特征更加均匀且更好地编码了活动的性质。
Apr, 2023
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
本文介绍了一种名为 Collaborative Self-Supervised Learning(ColloSSL)的新技术,利用用户多个设备收集的未标记数据来学习数据的优质特征,实验结果表明,ColloSSL 在多个实验设置中均优于全监督和半监督学习技术,与最佳基准测试成绩相比,F_1 得分的绝对增量最高达 7.9%;此外,ColloSSL 在低数据情况下也表现优异,仅利用最佳情况下可用的十分之一的标记数据即可优于全监督方法。
Feb, 2022
基于 WiFi 信道状态信息(CSI)的人类活动识别实现了室内的非接触和视觉隐私保护感知。然而,由于环境条件和传感硬件的变化导致模型推广能力较差,这是该领域一个众所周知的问题。为了解决这个问题,在本研究中将常用于基于图像学习的数据增强技术应用于 WiFi CSI,探究它们对跨场景和跨系统设置下模型推广能力的影响。特别关注了直视(LOS)和穿墙非直视(NLOS)场景之间以及不同天线系统之间的推广能力,此前研究较少。我们收集并公开了一个人类活动 CSI 振幅谱图的数据集。利用这些数据,进行了一个消融研究,使用 EfficientNetV2 架构训练了基于活动识别模型,从而评估每种数据增强技术对模型推广能力的影响。实验结果显示,应用于 CSI 振幅数据的特定数据增强技术组合可以显著提高跨场景和跨系统的推广能力。
Jan, 2024
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
这项研究探讨了自监督学习(SSL)在合成孔径声纳(SAS)图像识别改进中的应用,结果表明,尽管两个 SSL 模型在少样本情况下可以优于完全监督模型,但在使用全部标签时不能超过其性能,这有助于减少数据标记的时间和成本,同时提供了远程感知中使用 SSL 的证据。
Jul, 2023
本研究探讨了基于强数据扩充的无监督自我学习技术在人工智能应用中的重要作用,以乳腺癌检测为例,通过实验验证表明使用该技术可以大幅提高数据利用率,而且更容易迁移到其他数据集,是医学图像人工智能领域迈向无监督学习和去掉传统稀缺标签的重要突破。
Mar, 2022
本研究中,我们利用自监督学习范式 (SSL) 来学习未标记数据的深层次特征表达,提出了一种用于人类活动识别的动态时间规整 (DTW) 算法,强制特征在时间维度上对齐。我们的实验结果显示,该方法对于单一模态和多模态的情况均具有学习稳健特征表达的潜力,并在半监督学习中明显优于监督模型。
Oct, 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