[論文レビュー] CSI-Net: Unified Human Body Characterization and Action Recognition.

Fei Wang, Jinsong Han+3 more|arXiv (Cornell University)|Oct 7, 2018

Gait Recognition and Analysis参考文献 63被引用数 17

ひとこと要約

CSI-Net は、WiFi チャネル状態情報（CSI）を活用して、人体の特徴と行動認識を統合的に学習する統合型ディープニューラルネットワークである。このネットワークは、同時に体脂肪率、筋肉率、水分率、骨密度率などのバイオメトリクスを推定するとともに、人物識別およびハンドサイン認識と転倒検出の2つのポーズ認識タスクを実行し、生のCSI信号からのエンドツーエンドの表現学習を実現する。

ABSTRACT

We build CSI-Net, a unified Deep Neural Network~(DNN), to learn the representation of WiFi signals. Using CSI-Net, we jointly solved two body characterization problems: biometrics estimation (including body fat, muscle, water, and bone rates) and person recognition. We also demonstrated the application of CSI-Net on two distinctive pose recognition tasks: the hand sign recognition (fine-scaled action of the hand) and falling detection (coarse-scaled motion of the body).

研究の動機と目的

• 生のWiFi CSI信号から豊富でマルチタスクな表現を抽出するという課題に取り組むこと。
• 1つのディープラーニングモデルを用いて、バイオメトリクス推定（体脂肪率、筋肉率、水分率、骨密度率）と人物識別を同時に解決すること。
• 統合された表現を、ハンドサインのような細分化された行動認識と、転倒のような粗いスケールの運動認識に拡張すること。
• CSI を用いた、多様な人間の行動および生理的特徴の特定タスクに適した単一の DNN アーキテクチャの実現可能性を示すこと。

提案手法

• CSI-Net は、WiFi デバイスから収集された生のCSI信号を処理する統合型ディープニューラルネットワークアーキテクチャを採用する。
• 共有およびタスク固有のブランチを介して、CSI時系列データから階層的表現を学習する。
• バイオメトリクス推定と人物識別は、共有特徴エンコーダーを用いたマルチタスク学習により同時に学習される。
• ポーズ認識タスク（ハンドサイン認識および転倒検出）は、同じCSI入力を用いた共有表現学習により統合される。
• 行動認識のための動的運動パターンを捉えるために、時間的モデリングコンponentsが使用される。
• 各タスクに特化した教師あり損失関数を用いてエンドツーエンドの学習が行われる：バイオメトリクス推定には回帰、人物および行動認識には分類。

実験結果

リサーチクエスチョン

• RQ1 1つのディープニューラルネットワークが、多様な人間の特徴特定タスクに適した、生のWiFi CSI信号から統合表現を効果的に学習できるか。
• RQ2 CSI-Net は、CSIデータから複数のバイオメトリクスパラメータ（体脂肪率、筋肉率、水分率、骨密度率）をどの程度同時に推定できるか。
• RQ3 追加のセンサーを用いずに、CSI信号のみを用いて人物識別がどの程度効果的に実行できるか。
• RQ4 同じ統合表現が、細分化された（ハンドサイン）および粗いスケールの（転倒）行動認識の両方をサポートできるか。
• RQ5 個別のモデルと比較して、複数のタスクにおける統合学習が、どの程度の性能向上をもたらすか。

主な発見

• CSI-Net は、生のWiFi CSI信号から、複数の後続タスクをサポートする統合表現を効果的に学習した。
• モデルは、生のCSIデータのみを用いて、体脂肪率、筋肉率、水分率、骨密度率といった重要なバイオメトリクスパラメータを正確に推定した。
• 学習された表現を用いた人物識別が効果的に実行され、CSI-Net の判別力の高さが裏付けられた。
• ネットワークは、細分化された行動（例：ハンドサイン）および粗いスケールの運動（例：転倒検出）の両方に対して、良好な一般化性能を示した。
• タスク間の統合学習により表現の質が向上し、評価されたすべてのタスクで一貫した性能向上が確認された。
• 統合アーキテクチャにより、各タスクごとに別々のモデルを学習するのと比較して、モデルの複雑さと推論コストが低減された。