[論文レビュー] SenseFi: A Library and Benchmark on Deep-Learning-Empowered WiFi Human Sensing

Jianfei Yang, Xinyan Chen+5 more|arXiv (Cornell University)|Jul 16, 2022

Indoor and Outdoor Localization Technologies被引用数 6

ひとこと要約

SenseFi は、WiFi ヒューマンセンシングにおけるディーブラーニングのための、包括的でオープンソースのベンチマークおよびライブラリを初めて導入した。複数のプラットフォーム、タスク、メトリクスをカバーして、多様なモデルを評価する。精度、効率性、転送性、耐障害性の観点から、ディーブラーニングアーキテクチャの公平な比較を可能にし、ユビキタスコンピューティング応用における実用的洞察を提供する。

ABSTRACT

WiFi sensing has been evolving rapidly in recent years. Empowered by propagation models and deep learning methods, many challenging applications are realized such as WiFi-based human activity recognition and gesture recognition. However, in contrast to deep learning for visual recognition and natural language processing, no sufficiently comprehensive public benchmark exists. In this paper, we review the recent progress on deep learning enabled WiFi sensing, and then propose a benchmark, SenseFi, to study the effectiveness of various deep learning models for WiFi sensing. These advanced models are compared in terms of distinct sensing tasks, WiFi platforms, recognition accuracy, model size, computational complexity, feature transferability, and adaptability of unsupervised learning. It is also regarded as a tutorial for deep learning based WiFi sensing, starting from CSI hardware platform to sensing algorithms. The extensive experiments provide us with experiences in deep model design, learning strategy skills and training techniques for real-world applications. To the best of our knowledge, this is the first benchmark with an open-source library for deep learning in WiFi sensing research. The benchmark codes are available at https://github.com/xyanchen/WiFi-CSI-Sensing-Benchmark.

研究の動機と目的

• WiFi CSIに基づくヒューマンセンシングにおける、標準化され包括的なベンチマークの欠如に応えること。
• 公平で体系的な方法で、異なるWiFiプラットフォーム、センシングタスク、データモダリティにおける、さまざまなディーブラーニングモデルの性能を評価すること。
• 実世界のWiFiセンシング応用におけるモデル設計、ハイパーパramータチューニング、トレーニング戦略に関する実用的ガイダンスを提供すること。
• 事前実装済みモデルと評価プロトコルを備えたオープンソースライブラリをリリースすることで、再現可能性を促進し、研究を加速すること。
• 転移学習および教師なし学習の文脈における、モデルの精度、サイズ、計算複雑性、および適応性の間のトレードオフを調査すること。

提案手法

• アクティビティ認識、ジェスチャー認識、ヒューマンアイデンティフィケーションを含む、複数のWiFiセンシングタスクをサポートする統一されたベンチマークフレームワークの設計および実装。
• 異なるハードウェアプラットフォームから収集した実世界のCSIデータ上で、MLP、CNN、RNN、Transformer、ハイブリッドアーキテクチャなどを含む多様なディーブラーニングモデルを統合および評価。
• CSI位相およびアモルティチュードの正規化、ウィンドウング、特徴抽出を含む、一貫性を確保するための標準化されたデータ前処理パイプラインの整備。
• アブレーションスタディを広範に実施し、異なるデータセット、ハードウェアプラットフォーム、および学習パラダイム（教師あり、転移、教師なし）におけるモデル性能を比較。
• 効率性と精度のトレードオフを評価するために、プルーニング、量子化、知識蒸留などのモデル圧縮技術を適用。
• 可視データとの融合やクロスモダリティ生成（例：Wi2Vi）を含む、マルチモダリティおよびクロスモダリティ学習戦略を統合し、耐障害性と解釈可能性を向上。

実験結果

リサーチクエスチョン

• RQ1 異なるディーブラーニングアーキテクチャは、精度、モデルサイズ、推論速度の観点から、複数のWiFiセンシングタスクおよびハードウェアプラットフォームでどのように性能を発揮するか？
• RQ2 モデル設計とデータ収集プラットフォームの両方が、WiFiセンシング全体の性能に与える相対的寄与度は何か？
• RQ3 転移学習および教師なし事前学習戦略は、データ依存性を低減し、環境間での一般化を向上させるためにどれほど効果的か？
• RQ4 実世界のWiFiセンシングデプロイメントにおいて、モデルの精度、計算複雑性、耐障害性の間の主なトレードオフは何か？
• RQ5 CSIからビデオに至るクロスモダリティ学習（例：Wi2Vi）は、デバイスフリーのヒューマンセンシングにおいて、モデルの解釈可能性と性能をどの程度向上できるか？

主な発見

• ベンチマークにより、モデルの性能が異なるWiFiハードウェアプラットフォームで顕著に変動することが判明し、信頼性あるデプロイメントにはプラットフォーム固有のキャリブレーションが不可欠であることが示された。
• TransformerおよびハイブリッドCNN-Transformerモデルは、アクティビティ認識のような複雑なタスクで最先端の精度を達成し、従来のRNNやMLPを上回った。
• 転移学習は、低データレジームにおいて顕著に性能を向上させ、新しい環境における大規模なラベル付きデータセットの必要性を低減した。
• 教師なし事前学習はドメイン間での一般化を向上させ、動的環境におけるゼロショットまたはフェイシュート適応の可能性を示した。
• 量子化や知識蒸留などのモデル圧縮技術により、モデルサイズを最大70％まで削減しつつ、精度の損失を最小限に抑え、エッジデバイスでのリアルタイムデプロイメントを可能にした。
• Wi2Viを用いたクロスモダリティ学習により、CSIデータからビデオに類似した表現を生成可能となり、解釈可能で説明可能なWiFiセンシングモデルへの道筋が示された。