本文提出了一种基于 WiFi 的智能家居环境中，用于 metaverse Avatar 模拟的人体姿态估计方案 MetaFi，该方案通过使用深度神经网络，能够准确映射通道状态信息到人类姿势地标，并且相比于基于摄像机的解决方案，两种方案的性能相差不大；实验数据表明该方案 PCK@50 值高达 95.23%。

Aug, 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

该论文提出了一种名为 AdaptPose 的端到端框架，通过生成合成的 3D 人体动作数据，并在新数据集上通过微调来提高 3D 姿态估计模型的泛化能力，该方法成功地比之前的交叉数据集评估方法和使用部分 3D 注释的半监督学习方法改进了 14% 和 16%。

Dec, 2021

开发了一种方法，使用生成对抗网络 (GAN) 在现有数据集上生成了 3 万个合成的毫米波通道状态信息（CSI）样本，这些样本与原始数据展现出极高的一致性，将这些增强样本与真实数据结合使用以训练姿势分类模型，观察到增强样本对模型的泛化能力产生了积极的改进。

Jun, 2024

我们提出了一种基于迁移学习和领域自适应技术的深度适应网络，通过自监督学习获取具有场景不变性的图像表示，并将其用于摄像机姿态估计中。在 Cambridge Landmarks 和 7Scene 上的评估表明，该网络优于几个基线，并与最先进的方法进行了比较。

Jun, 2020

本论文提出了一种对抗性学习框架，利用基于多源鉴别器的几何描述符对在野外场景下的 2D 姿态注释图像进行 3D 人体姿态估计。实验证明，该方法在公共基准测试上明显优于以往的最先进方法。

Mar, 2018

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

通过重用、融合和标注 MOT17 和 NCLT 这两个数据集，本文填补了缺失的捕捉共享城市区域内人机交互的丰富姿势标注数据集，并使用 YOLOv7 方法有效地估计人体姿势。

Jan, 2024

本文旨在解决目前姿态估计算法对于数据噪声的不稳健性问题，提出了一种可以在广泛的姿态估计模型中提高鲁棒性的新算法 ——AdvMix，该算法包含对抗样本生成和知识蒸馏两部分，并经过大量数据实验验证其可显著提高姿态估计的鲁棒性。

May, 2021

本文介绍了一种利用跨域适配方法和人类姿态数据集提升多种动物物种姿态估计的方法。实验表明，该方法可以很好地利用先验知识，并取得令人信服的结果。

Aug, 2019