[논문 리뷰] AutoFi: Towards Automatic WiFi Human Sensing via Geometric Self-Supervised Learning

Jianfei Yang, Xinyan Chen외 3명|arXiv (Cornell University)|2022. 04. 12.

Indoor and Outdoor Localization Technologies인용 수 7

한 줄 요약

AutoFi는 랜덤으로 수집된 레이블이 없는 CSI 샘플만을 사용하여 자동으로 WiFi 인간 감지 기능을 수행할 수 있는 기하학적 자기지도 학습 프레임워크를 제안한다. 이는 비용이 많이 드는 데이터 주석 작업이 필요 없도록 한다. 상호정보량과 기하학적 일관성을 활용하여 기립자세 및 제스처 인식 분야에서 최신 기술 수준의 소수 샘플 성능을 달성하며, 실제 환경 및 공개 데이터셋에서 강력한 다중 작업 전이 능력을 입증한다.

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.

연구 동기 및 목표

• 저품질의 레이블이 없는 CSI 샘플에서 모델 학습을 가능하게 하여 WiFi 기반 인간 감지 분야에서의 데이터 부족 문제와 주석 작업의 부담을 해결한다.
• 새로운 환경에서 레이블이 있는 데이터 수집에 의존하는 것을 제거하여 수동 데이터 정제 없이도 빠른 배포를 가능하게 한다.
• 사용자가 정의한 새로운 작업(예: 보행 또는 제스처 인식)에 대해 레이블이 없는 데이터에서 학습된 지식을 전이하여 WiFi 감지에서의 다중 작업 전이를 달성한다.
• 최소한의 인간 간섭으로 CSI 기반 인간 감지에 적합한 딥러닝 모델을 자동으로 초기화할 수 있는 자기지도 학습 프레임워크를 개발한다.

제안 방법

• 기하학적 일관성과 상호정보량 최대화를 활용하여 레이블이 없는 CSI 샘플에서 학습하는 기하학적 자기지도 학습(GSS) 모듈을 도입한다.
• 동일한 CSI 샘플의 다양한 시각에서의 특징 일관성을 강제하기 위해 데이터 증강 기반의 대비 학습 전략을 적용한다.
• 지역 및 전역 표현을 정렬하기 위해 상호정보량 손실을 사용하여 특징의 구분 능력을 향상시킨다.
• 하나의 레이블이 있는 샘플만으로도 후행 작업에 대해 미세조정할 수 있는 소수 샘플 캘리브레이션(FSC) 모듈을 통합한다.
• CSI 데이터의 증강된 시각을 비교하여 불변 표현을 최적화하기 위해 실리안느 유사 네트워크 아키텍처를 활용한다.
• 시간 이동 및 진폭 스케일링과 같은 데이터 증강 기법을 적용하여 자기지도 학습을 위한 양성 및 음성 샘플 쌍을 생성한다.

실험 결과

연구 질문

• RQ1 레이블이 없는 데이터에서 인간 주석 없이도 의미 있는 CSI 표현을 효과적으로 학습할 수 있는 자기지도 학습 프레임워크는 가능한가?
• RQ2 학습된 표현이 재학습 없이도 보행 인식 및 제스처 인식과 같은 다양한 인간 감지 작업 간에 일반화 가능한가?
• RQ3 소수 샘플 학습 환경에서 제안된 방법의 효과성은 어떠한가?
• RQ4 기하학적 일관성과 상호정보량 손실이 CSI 기반 감지에서 특징 전이 능력을 향상시키는가?

주요 결과

• UT-HAR 데이터셋에서 AutoFi는 10-shot 및 20-shot 제스처 인식에서 각각 55.60% 및 63.80%의 정확도를 달성하여 베이스라인 대비 각각 14.40% 및 8.5% 높은 성능을 보였다.
• Widar 데이터셋에서 AutoFi는 10-shot 및 20-shot 인식에서 각각 55.60% 및 63.80%의 정확도를 기록하여 강력한 환경 간 및 작업 간 전이 능력을 입증했다.
• 제거 실험 결과, 상호정보량 손실을 제거할 경우 2-shot 및 3-shot 설정에서 성능 저하가 심하게 발생하여, 소수 샘플 학습에서의 중요성을 확인했다.
• 기하학적 일관성 손실는 모든 소수 샘플 설정에서 약간이지만 일관된 성능 향상을 제공하여, 특징의 강건성을 향상시키는 데 기여함을 검증했다.
• 모델 추론은 CSI 샘플당 뿐만 아니라 소비자용 하드웨어에서도 실시간 구현 가능함을 확인했다.
• 전체 학습 과정은 5000개의 샘플 기준 22분이 소요되며, 추론은 스마트 홈 응용 분야에서 실시간 배포에 충분히 효율적이다.