RadMamba: Efficient Human Activity Recognition through Radar-based Micro-Doppler-Oriented Mamba State-Space Model

要約

レーダーベースのHARは、独自のプライバシーの保存と堅牢性の利点により、ウェアラブルデバイスやカメラベースのシステムなど、従来の監視アプローチの有望な代替手段として浮上しています。
ただし、畳み込みと再発性のニューラルネットワークに基づく既存のソリューションは、効果的ですが、展開中に計算的に要求されます。
これにより、制約されたリソースまたは複数のセンサーが必要なリソースでシナリオでの適用性が制限されます。
VITやSSMアーキテクチャなどの高度なアーキテクチャは、改善されたモデリング機能を提供し、軽量設計に向けて努力しています。
ただし、計算の複雑さは比較的高いままです。
トランスアーキテクチャの強度を活用しながら、同時に精度を向上させ、計算の複雑さを低下させるために、このホワイトペーパーでは、レーダーベースのHAR専用のパラメーターマイクロドップラー指向のMamba SSMであるRadmambaを紹介します。
3つの多様なデータセットで、Radmambaは、パラメーターの1/400のみで、Dataset DIATでのトップパフォーマンスの以前のモデルの99.8％の分類精度と一致し、Dataset CI4Rの主要なモデルの92.0％の精度とパラメーターの1/10に等しくなります。
DataSet UOG2020で評価された連続的な一連のアクションを備えたシナリオでは、Radmambaはパラメーター数が大幅に高い他のモデルを少なくとも3％上回り、6.7Kパラメーターでこれを達成します。
私たちのコードは、https：//github.com/lab-emi/airharで入手できます。

要約(オリジナル)

Radar-based HAR has emerged as a promising alternative to conventional monitoring approaches, such as wearable devices and camera-based systems, due to its unique privacy preservation and robustness advantages. However, existing solutions based on convolutional and recurrent neural networks, although effective, are computationally demanding during deployment. This limits their applicability in scenarios with constrained resources or those requiring multiple sensors. Advanced architectures, such as ViT and SSM architectures, offer improved modeling capabilities and have made efforts toward lightweight designs. However, their computational complexity remains relatively high. To leverage the strengths of transformer architectures while simultaneously enhancing accuracy and reducing computational complexity, this paper introduces RadMamba, a parameter-efficient, radar micro-Doppler-oriented Mamba SSM specifically tailored for radar-based HAR. Across three diverse datasets, RadMamba matches the top-performing previous model’s 99.8% classification accuracy on Dataset DIAT with only 1/400 of its parameters and equals the leading models’ 92.0% accuracy on Dataset CI4R with merely 1/10 of their parameters. In scenarios with continuous sequences of actions evaluated on Dataset UoG2020, RadMamba surpasses other models with significantly higher parameter counts by at least 3%, achieving this with only 6.7k parameters. Our code is available at: https://github.com/lab-emi/AIRHAR.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google