WiFlow：一种轻量级的基于WiFi的连续人体姿态估计网络，具有时空特征解耦能力
计算机视觉与模式识别
2026-04-14 v2
摘要
人体姿态估计是物联网智能感知的基础，支撑着从智能医疗到人机交互的各种应用。虽然基于WiFi的方法已受到关注，但它们通常难以处理连续运动和高计算开销。本文提出了WiFlow，一种使用WiFi信号进行连续人体姿态估计的新颖框架。与将信道状态信息视为图像的二维深度残差网络等基于视觉的方法不同，WiFlow采用编码器-解码器架构。编码器使用时间卷积和非对称卷积捕获信道状态信息的时空特征，保留了信号的原始序列结构。然后，它细化待跟踪的人体关键点特征，并通过轴向注意力捕获其结构依赖关系。解码器随后将编码后的高维特征映射为关键点坐标。WiFlow在自收集的数据集上进行训练，该数据集包含5名受试者执行8种日常活动的连续序列的360,000个同步信道状态信息-姿态样本。在20%阈值下，WiFlow的正确关键点百分比达到97.25%，在50%阈值下达到99.48%，平均每关节位置误差为0.007米。WiFlow仅需2.23M参数，显著降低了模型复杂度和计算成本，为实用的基于WiFi的人体姿态估计建立了新的性能基线。我们的代码和数据集可在 https://github.com/DY2434/WiFlow-WiFi-Pose-Estimation-with-Spatio-Temporal-Decoupling.git 获取。
引用
@article{arxiv.2602.08661,
title = {WiFlow: A Lightweight WiFi-based Continuous Human Pose Estimation Network with Spatio-Temporal Feature Decoupling},
author = {Yi Dao and Lankai Zhang and Hao Liu and Haiwei Zhang and Wenbo Wang},
journal= {arXiv preprint arXiv:2602.08661},
year = {2026}
}