FewSense：基于少样本学习的可扩展跨域 Wi-Fi 感知系统
信号处理
2022-03-07 v1
摘要
Wi-Fi 感知能够对人类活动进行分类，因为每种活动都会引起信道状态信息（CSI）的独特变化。现有 Wi-Fi 感知的可扩展性有限，因为每当新增活动时系统都需重新训练，这带来了数据收集和重训练的开销。跨域感知可能失效，因为当涉及不同环境或用户（域）时，活动与 CSI 变化之间的映射被破坏。本文提出一种基于少样本学习的 Wi-Fi 感知系统，名为 FewSense，它仅需少量样本即可识别未见域中的新类别。具体而言，特征提取器使用源域数据离线预训练。当系统应用于目标域时，使用少量样本对特征提取器进行微调以实现域适应。推理通过计余弦相似度完成。FewSense 还可通过协同融合多个接收器的推理进一步提升分类精度。我们使用三个公开数据集（即 SignFi、Widar 和 Wiar）评估性能。结果表明，采用五样本学习的 FewSense 在 SignFi、Widar 和 Wiar 数据集上识别未见域中新类别的准确率分别为 90.3%、96.5% 和 82.7%。我们的协同感知模型将系统性能平均提升了 30%。
引用
@article{arxiv.2203.02014,
title = {FewSense, Towards a Scalable and Cross-Domain Wi-Fi Sensing System Using Few-Shot Learning},
author = {Guolin Yin and Junqing Zhang and Guanxiong Shen and Yingying Chen},
journal= {arXiv preprint arXiv:2203.02014},
year = {2022}
}