DASECount：基于少样本学习的域无关且样本高效的无线室内人群计数方法
信号处理
2022-11-21 v1
摘要
准确的室内人群计数（ICC）是许多智能家居/办公应用的关键使能技术。本文提出一种域无关且样本高效的无线室内人群计数（DASECount）框架，该框架在新域中仅给定极少量数据样本时，即足以获得鲁棒的交叉域检测精度。DASECount 利用了少样本学习（FSL）范式的思想，包含两个主要阶段：源域元训练与目标域元测试。具体而言，在元训练阶段，我们在源域数据集上设计并训练两个独立的卷积神经网络（CNN）模块，以充分捕获与人体活动相关的 CSI 测量的隐式幅度与相位特征。随后设计了一种知识蒸馏过程，迭代更新 CNN 参数以获得更好的泛化性能。在元测试阶段，我们使用部分 CNN 模块从高维输入的目标域 CSI 数据中提取低维特征。利用所得低维 CSI 特征，我们甚至可以使用极少的目标域数据样本（例如 5-shot 样本）训练一个轻量级逻辑回归（LR）分类器，并获得很高的交叉域 ICC 精度。实验结果表明，所提出的 DASECount 方法在 0–8 人计数任务的各种域设置下取得了超过 92.68%、平均 96.37% 的检测精度，显著优于所考虑的其他代表性基准方法。
引用
@article{arxiv.2211.10040,
title = {DASECount: Domain-Agnostic Sample-Efficient Wireless Indoor Crowd Counting via Few-shot Learning},
author = {Huawei Hou and Suzhi Bi and Lili Zheng and Xiaohui Lin and Yuan Wu and Zhi Quan},
journal= {arXiv preprint arXiv:2211.10040},
year = {2022}
}
备注
12 pages, 10 figures. The paper has been submitted for journal publication