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

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

Gait Recognition and Analysis被引用数 19

ひとこと要約

CSI-Net は、WiFi チャネル状態情報（CSI）を活用して、人体の特徴記述とポーズ認識を統合的に実行する包括的なディーブラーニングフレームワークである。生のCSIを空間的に符号化されたテンソルに変換し、スケーラブルなCNNバックボーンを用いることで、バイオメトリクス推定、人物認識、手の合図認識、転倒検出において、それぞれ98.13%および97.73%のテスト精度を達成し、最先端の性能を実現した。

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

• WiFi CSIを用いて、複数の人体センシングタスクを統合的に解決する包括的なディーブラーニングフレームワークの開発。
• 手作業で設計された特徴量の限界を克服し、エンドツーエンドの表現を学習する。
• 一般市場のWiFiデバイスを用いて、身体脂肪率、筋肉量、水分量、骨量などのバイオメトリクス推定を高精度で実現する。
• 細分化された手の合図認識（例：手の合図）と粗粒度の身体運動検出（例：転倒）において、高い認識精度を達成する。
• 物理的信号-人体相互作用の洞察を提供する、CSIベースの人体センシングのベンチマークデータセットと分析を確立する。

提案手法

• CSI-Net は、802.11n/gシステムからの複素数値CSIシーケンスを、逆畳み込み層または双線形補間を用いて空間的に符号化された特徴マップに変換する。
• ネットワークは、ResNet-18 をバックボーンとして用いるスケーラブルなCNNアーキテクチャを採用し、多様なセンシングタスクにおける効率的な特徴学習を可能にする。
• 生成段階では、サイズ $30 \times 1 \times 1$ の生のCSIテンソルを、標準的なCNN処理に適した $224 \times 224$ の画像様表現に変換する。
• 双線形補間は、逆畳み込みの軽量な代替手段として用いられ、効率性を向上させつつ高い精度を維持する。
• 特徴学習段階では、残差ブロックを用いて、空間的に符号化されたCSIテンソルから階層的な表現を抽出する。
• タスク段階では、人物認識、合図認識、転倒検出の分類タスクに全結合層とソフトマックス関数を適用し、バイオメトリクス推定には回帰ヘッドを適用する。

実験結果

リサーチクエスチョン

• RQ1 包括的なディーブラーニングフレームワークは、多様な人体センシングタスクに生のWiFi CSIから表現を効果的に学習できるか？
• RQ2 人体の存在と構成がCSIの分散に与える影響は何か？ その影響をバイオメトリクス推定に活用できるか？
• RQ3 CSIベースのディーブラーニングは、細分化された行動認識（例：手の合図）および粗粒度の運動検出（例：転倒）において高い精度を達成できるか？
• RQ4 CSIベースのセンシングに最適なネットワークアーキテクチャと前処理戦略（例：逆畳み込み対補間）は何か？
• RQ5 CSIベースの人体センシングにおいて、異なるCNNバックボーン（例：ResNet、VGG、Inception）の性能と効率性はどのように比較できるか？

主な発見

• CSI-Net は、ResNet-18 を用いて人物認識で93.00%のテスト精度を達成し、より大きなバックボーン（例：ResNet-152 や VGG-19）を上回った。
• 手の合図認識では100%のテスト精度を達成し、細分化された行動認識における強力な能力を示した。
• 転倒検出では96.67%のテスト精度を達成し、転倒を立っていると誤分類する割合が1.27%、逆に立っているのを転倒と誤分類する割合が5.41%にとどまった。
• 逆畳み込みを双線形補間に置き換えることで、人物認識のテスト精度が94.42%に向上し、より単純な前処理がより効果的であることが示された。
• ResNet-18 は、モデルの複雑さと性能のバランスが最も良く、61MBのモデルサイズで、VGG-19 よりも精度と効率性の両面で優れていた。
• 本研究では、一般市場のWiFiデバイスを用いて、身体脂肪率、筋肉量、水分量、骨量の推定に初めて成功した。高い精度が達成された。