Autosen:通过跨模态自编码器提高自动 WiFi 人体感知能力
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
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
本文提出了一种利用无线电信号生成可见光图像的新方法,采用双分支生成神经网络使用跨模态监督策略对视觉域内的基于信号的特征进行条件化,最终仅使用 Wi-Fi 信号成功地合成了人类轮廓和骨架视频。
Mar, 2022
本文提出了一种基于卷积自编码器的信道图辅助定位方法,结合多路径信道状态信息,通过无人监督学习构建信道图以捕捉每个无线设备的相对位置,再引入半监督学习,进一步提高了定位精度。与现有的有监督和传统无监督方法相比,所提出的方法在精度上得到了显著提高。
Aug, 2021
本文提出了一种针对弱监督 WiFi 姿势估计的领域自适应算法 AdaPose,该方法通过引入映射一致性损失来消除源域和目标域之间的领域差异,从而在智能城市中广泛应用 WiFi 姿势估计。
Sep, 2023
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
提出了一种针对生理感知变异性的对抗特征提取器来实现基于转移学习的通用特征提取,结果表明在跨学科转移评估中,该框架可以提高分类平均准确率达到 8.8%,并能适应更广泛的实验对象。
Aug, 2020
本文提出了一种基于向量量化变分自编码器架构的多模态数据融合新方法,可以在 MNIST-SVHN 数据和 WiFi 光谱数据之间以及 5G 通信场景下实现卓越的重构性能,并通过端到端 CSI 反馈系统来压缩基站(eNodeB)和用户设备(UE)之间传输的数据,为各种类型的输入数据(CSI,光谱图,自然图像等)学习一个具有区分性的压缩特征空间,是针对计算资源有限的应用的一个合适的解决方案。
Feb, 2023
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