[論文レビュー] AutoFi: Towards Automatic WiFi Human Sensing via Geometric Self-Supervised Learning

Jianfei Yang, Xinyan Chen+3 more|arXiv (Cornell University)|Apr 12, 2022

Indoor and Outdoor Localization Technologies被引用数 7

ひとこと要約

AutoFiは、ラベルなしでランダムに収集されたCSIサンプルのみを用いて、手動のデータアノテーションを不要にする幾何的自己教師付き学習フレームワークを提案する。相互情報量と幾何的整合性を活用することで、歩行やジェスチャー認識において最先端の少サンプル性能を達成し、実世界および公開データセットにおいて強力なクロスタスク転移性を示している。

ABSTRACT

WiFi sensing technology has shown superiority in smart homes among various sensors for its cost-effective and privacy-preserving merits. It is empowered by Channel State Information (CSI) extracted from WiFi signals and advanced machine learning models to analyze motion patterns in CSI. Many learning-based models have been proposed for kinds of applications, but they severely suffer from environmental dependency. Though domain adaptation methods have been proposed to tackle this issue, it is not practical to collect high-quality, well-segmented and balanced CSI samples in a new environment for adaptation algorithms, but randomly-captured CSI samples can be easily collected. {\color{black}In this paper, we firstly explore how to learn a robust model from these low-quality CSI samples, and propose AutoFi, an annotation-efficient WiFi sensing model based on a novel geometric self-supervised learning algorithm.} The AutoFi fully utilizes unlabeled low-quality CSI samples that are captured randomly, and then transfers the knowledge to specific tasks defined by users, which is the first work to achieve cross-task transfer in WiFi sensing. The AutoFi is implemented on a pair of Atheros WiFi APs for evaluation. The AutoFi transfers knowledge from randomly collected CSI samples into human gait recognition and achieves state-of-the-art performance. Furthermore, we simulate cross-task transfer using public datasets to further demonstrate its capacity for cross-task learning. For the UT-HAR and Widar datasets, the AutoFi achieves satisfactory results on activity recognition and gesture recognition without any prior training. We believe that the AutoFi takes a huge step toward automatic WiFi sensing without any developer engagement.

研究の動機と目的

• ラベルなしで低品質なCSIサンプルからモデルを学習可能にするために、WiFiベースの人体センシングにおけるデータ不足とアノテーション負荷の課題に対処すること。
• 新しい環境におけるラベル付きデータ収集に依存しないようにし、手動でのデータキュレーションなしに迅速に展開可能にする。
• 歩行やジェスチャー認識などのユーザー定義タスクに、ラベルなしデータから得た知識を転移することで、WiFiセンシングにおけるクロスタスク転移性を実現すること。
• 最小限の人的介入で、CSIベースの人体センシングのためのディーブラーニングモデルを自動で初期化する自己教師付きフレームワークを開発すること。

提案手法

• 幾何的整合性と相互情報量の最大化を用いて、ラベルなしのCSIサンプルから学習するGeometric Self-Supervision (GSS)モジュールを導入する。
• 同一のCSIサンプルの異なるビュー間での特徴の一貫性を強制するために、データオーグメンテーションに基づく対照的学習戦略を採用する。
• 局所的およびグローバルな表現の整合性を高めるために、相互情報量損失を用いることで、特徴の識別性を向上させる。
• 事前学習済みモデルを、少数のラベル付きサンプルでの微調整によって下流タスクに適応させるFew-Shot Calibration (FSC)モジュールを統合する。
• CSIデータのオーグメント済みビューを比較し、不変表現を最適化するために、シアンプス型のネットワークアーキテクチャを用いる。
• 時間シフトやアモルチュードスケーリングなどのデータオーグメンテーション技術を用いて、自己教師学習のためのポジティブおよびネガティブペアサンプルを生成する。

実験結果

リサーチクエスチョン

• RQ1 人為的アノテーションなしに、ランダムに収集されたラベルなしデータから意味のあるCSI表現を効果的に学習できるか？
• RQ2 学習された表現は、再トレーニングなしに歩行認識やジェスチャー認識などの異なる人体センシングタスクに一般化可能か？
• RQ3 極めて少ないラベル付きデータで、提案手法の少サンプル学習における有効性はどの程度か？
• RQ4 幾何的整合性と相互情報量損失は、CSIベースのセンシングにおける特徴転移性を向上させるか？

主な発見

• UT-HARデータセットでは、AutoFiは10ショットと20ショットのジェスチャー認識でそれぞれ55.60%および63.80%の正確度を達成し、ベースラインを14.40%および8.5%上回った。
• Widarデータセットでも、10ショットと20ショットの認識でそれぞれ55.60%および63.80%の正確度を達成し、強力なクローエンバイロメントおよびクロスタスク転移性を示した。
• アブレーションスタディの結果、相互情報量損失を除去すると2ショットおよび3ショット設定で性能が著しく低下し、少サンプル学習におけるその重要性が確認された。
• 幾何的整合性損失は、すべての少サンプル設定でわずかだが一貫した改善効果を示し、特徴のロバスト性向上におけるその役割が裏付けられた。
• 1つのCSIサンプルあたりのモデル推論時間は15–22msにとどまり、一般消費者向けハードウェアでもリアルタイム実行が可能であることが確認された。
• 全トレーニングプロセスは5000サンプルで22分で完了し、スマートホームアプリケーションにおけるリアルタイム展開に十分な効率性を示した。