DGSense：面向无线感知的数据域泛化框架

无线感知对日常生活具有巨大价值。然而，无线信号受周围环境的敏感影响。诸如环境、位置和个体等各种因素可能对无线传播产生额外影响。这种变化可被视为一种数据分布发生变化的“域”。大多数感知方案都基于学习，依赖于训练域，导致在未见域中性能下降。研究人员提出了各种解决方案，但这些方案要么基于半监督/非监督域适应技术，要么仍需目标域中的部分数据，无法在未见域中取得好效果。本文提出一种数据域泛化框架DGSense，用于消除无线感知中的域依赖问题。该框架是一种跨越多种感知任务和无线技术的通用解决方案。一旦构建了感知模型，就能在无需目标域数据的情况下对未见域进行泛化。为实现这一目标，我们通过虚拟数据生成器增加训练集的多样性，然后通过主特征提取器与域特征提取器之间的episodic训练提取域无关特征。特征提取器采用带有空间特征注意力机制的预训练残差网络（ResNet）和用于时序特征的1维卷积神经网络（1DCNN）。为展示DGSense的有效性与通用性，我们在WiFi手势识别、毫米波活动识别和声学跌倒检测上进行评估。所有系统在包括新用户、新位置和新环境在内的未见域上均表现出高水平的泛化能力，无需新增数据或重新训练。