WiFlexFormer는 가벼운 Transformer 기반 아키텍처를 사용하여 기존 방법보다 훨씬 적은 매개변수와 추론 시간으로 유사한 인간 활동 인식(HAR) 성능을 달성하여 실시간 와이파이 기반 센싱 애플리케이션에 매우 적합합니다.
본 연구는 Wi-Fi 채널 상태 정보(CSI) 데이터와 스파이킹 신경망(SNN)을 사용하여 인간 활동을 인식하는 방법을 제시하고, 특히 에너지 효율성과 해석 가능성을 개선하기 위해 신경 기호적 추론을 통합하는 데 중점을 둡니다.
라벨링된 RF 데이터의 부족을 해결하기 위해 비전 기반 기반 모델(FM)에서 지식을 추출하여 RF 기반 인간 활동 인식(HAR) 시스템을 향상시키는 교차 모달 프레임워크인 FM-Fi를 소개합니다.
본 논문에서는 착용자별 동작 차이를 고려한 새로운 활동 기반 사용자 차별화 작업을 통해 딥 적대적 학습 프레임워크를 활용하여, 관성 센서 데이터 기반 인간 활동 인식의 정확도를 향상시키는 방법을 제시합니다.
센서 기반 인간 활동 인식(HAR) 분야에서 트랜스포머 모델은 기존 방법보다 성능이 떨어지며, 계산 비용이 높고, 양자화 및 적대적 공격에 대한 취약성을 보인다.
본 논문에서는 다양한 신체 조건을 가진 사람들에게 일반화 가능한 실내 인간 활동 인식 방법을 제안하며, 이는 마이크로 도플러 코너 포인트 클라우드 및 동적 그래프 학습을 기반으로 합니다.
본 논문에서는 시공간적 특징을 효과적으로 추출하여 인간-객체 상호 작용을 이해하고 새로운 활동을 탐지하는 데 효과적인 Temporal Fusion Graph Convolutional Network (TFGCN)을 제안합니다. 또한, Spectral Normalized Residual (SN-Res) 연결을 통해 특징 공간 내에서의 거리 인식 기능을 향상시켜 OOD 탐지 성능을 개선하고, 가우시안 프로세스를 활용하여 예측의 불확실성을 정량화합니다.
인간 활동 인식 모델을 계층적 레이블 관계 모델링으로 개선하는 중요성