WiOpen: A Robust Wi-Fi-based Open-set Gesture Recognition Framework

要約

近年、Wi-Fi ベースのジェスチャ認識への関心が高まっています。
ただし、既存の研究は主にクローズドセット パラダイムに焦点を当てており、すべてのテスト ジェスチャはトレーニング中に事前定義されています。
テスト中に目に見えないジェスチャが既知のクラスとして誤分類される可能性があるため、これは現実世界のアプリケーションでは大きな課題となります。
この問題に対処するために、私たちは、堅牢な Wi-Fi ベースの Open-Set Gesture Recognition (OSGR) フレームワークである WiOpen を提案します。
OSGR を実装するには、Wi-Fi センシング特有の不確実性によって引き起こされる課題に対処する必要があります。
ノイズやドメインに起因するこの不確実性により、収集された Wi-Fi センシング データの広範囲に分散した不規則なデータ分布が生じます。
その結果、クラス間のデータの曖昧性が生じ、未知のものを識別するための適切な決定境界を定義する際の課題が生じます。
これらの課題に取り組むために、WiOpen は 2 つのアプローチを採用して不確実性を排除し、正確な決定境界を定義します。
まず、CSI 比を利用して、データの前処理中にノイズによって引き起こされる不確実性に対処します。
次に、不確実性定量化手法に基づいて OSGR ネットワークを設計します。
学習プロセス全体を通じて、このネットワークはドメインに起因する不確実性を効果的に軽減します。
最終的に、ネットワークはサンプルの近隣間の関係を利用してオープンセットの決定境界を動的に定義し、OSGR を実現します。
公的にアクセス可能なデータセットに対する包括的な実験により、WiOpen の有効性が確認されました。
特に、WiOpen は、最先端のアプローチと比較した場合、クロスドメイン タスクにおいても優れていることが実証されています。

要約(オリジナル)

Recent years have witnessed a growing interest in Wi-Fi-based gesture recognition. However, existing works have predominantly focused on closed-set paradigms, where all testing gestures are predefined during training. This poses a significant challenge in real-world applications, as unseen gestures might be misclassified as known classes during testing. To address this issue, we propose WiOpen, a robust Wi-Fi-based Open-Set Gesture Recognition (OSGR) framework. Implementing OSGR requires addressing challenges caused by the unique uncertainty in Wi-Fi sensing. This uncertainty, resulting from noise and domains, leads to widely scattered and irregular data distributions in collected Wi-Fi sensing data. Consequently, data ambiguity between classes and challenges in defining appropriate decision boundaries to identify unknowns arise. To tackle these challenges, WiOpen adopts a two-fold approach to eliminate uncertainty and define precise decision boundaries. Initially, it addresses uncertainty induced by noise during data preprocessing by utilizing the CSI ratio. Next, it designs the OSGR network based on an uncertainty quantification method. Throughout the learning process, this network effectively mitigates uncertainty stemming from domains. Ultimately, the network leverages relationships among samples’ neighbors to dynamically define open-set decision boundaries, successfully realizing OSGR. Comprehensive experiments on publicly accessible datasets confirm WiOpen’s effectiveness. Notably, WiOpen also demonstrates superiority in cross-domain tasks when compared to state-of-the-art approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google