RF-Net：一种用于射频赋能一次性人体活动识别的统一元学习框架
信号处理
2021-11-09 v1 机器学习
摘要
基于射频(RF)的无设备人体活动识别(HAR)作为许多应用的一种有前景的解决方案而兴起。然而，无设备（或非接触式）感知往往比基于设备（或可穿戴）的感知对环境变化更敏感。此外，RF数据集在采集过程中严格要求在线标注，这与可利用人类解释进行离线标注的图像与文本数据采集截然不同。因此，现有RF-HAR解决方案需要繁琐的数据采集过程以适应新环境。为此，我们提出RF-Net作为一种基于元学习的一次性RF-HAR方法；它将环境适应的标注工作量降至最低。特别地，我们首先考察了三种代表性RF感知技术与两种主要元学习方法。结果促使我们在两项设计上创新：i) 双路径基础HAR网络，其中时域与频域均致力于学习强大的RF特征，包括基于空间与注意力的时域特征；ii) 基于度量的元学习框架，以增强基础网络的快速适应能力，包括一个RF特定度量模块与一个残差分类模块。我们基于全部三种RF感知技术在多个真实室内环境中进行了广泛实验；所有结果都强力证明了RF-Net相较最先进基线的有效性。
引用
@article{arxiv.2111.04566,
title = {RF-Net: a Unified Meta-learning Framework for RF-enabled One-shot Human Activity Recognition},
author = {Shuya Ding and Zhe Chen and Tianyue Zheng and Jun Luo},
journal= {arXiv preprint arXiv:2111.04566},
year = {2021}
}
备注
14 pages