[论文解读] 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 7

一句话总结

AutoFi 提出了一种基于几何的自监督学习框架，仅通过随机收集的未标注信道状态信息（CSI）样本即可实现自动 WiFi 人体感知，无需昂贵的数据标注。通过利用互信息和几何一致性，该方法在步态识别和手势识别任务中实现了最先进（SOTA）的少样本性能，并在真实世界和公开数据集上展现出强大的跨任务迁移能力。

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.

研究动机与目标

• 为解决基于 WiFi 的人体感知中数据稀缺和标注负担问题，实现模型从低质量、未标注的 CSI 样本中学习。
• 消除在新环境中对标注数据收集的依赖，实现无需人工数据整理的快速部署。
• 通过将未标注数据中的知识迁移至新定义的任务（如步态或手势识别）实现 WiFi 感知中的跨任务迁移。
• 开发一种自监督框架，以最小的人工干预自动初始化基于 CSI 的深度学习模型。

提出的方法

• 引入几何自监督（GSS）模块，通过几何一致性与互信息最大化，从未标注的 CSI 样本中学习。
• 采用基于数据增强的对比学习策略，以在相同 CSI 样本的不同视图之间强制实现特征一致性。
• 使用互信息损失对齐局部与全局表征，提升特征的可区分性。
• 集成少样本微调（FSC）模块，仅使用少量标注样本对预训练模型进行微调以适应下游任务。
• 采用类似孪生网络的架构，比较 CSI 数据的增强视图，以优化不变表征。
• 应用时间平移和幅度缩放等数据增强技术，生成用于自监督的正样本对与负样本对。

实验结果

研究问题

• RQ1 自监督学习框架能否在无需人工标注的情况下，从未随机收集的未标注数据中有效学习有意义的 CSI 表征？
• RQ2 所学习的表征是否能在不同人体感知任务（如步态识别与手势识别）之间泛化，而无需重新训练？
• RQ3 在仅使用极少标注数据的少样本学习场景下，该方法的有效性如何？
• RQ4 几何一致性与互信息损失是否能提升 CSI 基于感知中的特征可迁移性？

主要发现

• 在 UT-HAR 数据集上，AutoFi 在 10-shot 和 20-shot 手势识别任务中分别达到 55.60% 和 63.80% 的准确率，分别优于基线模型 14.40% 和 8.5%。
• 在 Widar 数据集上，AutoFi 在 10-shot 和 20-shot 识别任务中分别达到 55.60% 和 63.80% 的准确率，展现出强大的跨环境与跨任务迁移能力。
• 消融实验表明，移除互信息损失在 2-shot 和 3-shot 设置下显著降低性能，证实其在少样本学习中的关键作用。
• 几何一致性损失在所有少样本设置下均带来微小但稳定的性能提升，验证了其在增强特征鲁棒性方面的有效性。
• 模型推理每条 CSI 样本仅需 15–22ms，证实其在消费级硬件上的实时可行性。
• 完整训练过程耗时 22 分钟（5000 个样本），推理效率足够支持智能家居应用中的实时部署。