基于自监督学习的 CSI 人群计数参数高效域适应框架
计算机视觉与模式识别
2026-01-06 v1 密码学与安全
摘要
无设备人群计数使用 WiFi 信道状态信息 (CSI) 是面向下一代隐私保护物联网应用的关键技术。然而，实际部署严受域移问题制约，模型在一个环境中训练后难以在另一个环境中泛化。为克服此困难，我们提出一种以 CSI-ResNet-A 架构为中心的新型双阶段框架。该模型通过自监督对比学习进行预训练，以学习域无关表征，并利用轻量级 Adapter 模块实现高度高效的微调。最终得到的事件序列随后被处理为计数机器，以产生最终稳定的占用估计。我们对框架进行了广泛验证。在我们的 WiFlow 数据集上，无监督方法在 10 -shot 学习场景中表现出色，最终均绝对误差 (MAE) 仅为 0.44——而监督基线在此任务上则失败。为正式量化鲁棒性，我们引入通用指数 (GI)，该模型在该指标上得分接近完美，确认其泛化能力。此外，我们的框架在新的公开 WiAR 基准上取得 state-of-the-art 性能，准确率达 98.8%。我们的消融研究揭示了该设计的核心优势：基于适配器的微调在性能上仅落后于完整微调 1% 内 (98.84% vs. 99.67%)，但参数数量减少了 97.2%。我们的工作为开发面向实际 IoT 部署的稳健感知系统提供了实用且可扩展的解决方案。
引用
@article{arxiv.2601.02203,
title = {Parameter-Efficient Domain Adaption for CSI Crowd-Counting via Self-Supervised Learning with Adapter Modules},
author = {Oliver Custance and Saad Khan and Simon Parkinson and Quan Z. Sheng},
journal= {arXiv preprint arXiv:2601.02203},
year = {2026}
}