i-Sample: 为基于WiFi的人类行为识别增强领域对抗性适应模型
摘要
最近，使用深度学习来实现基于WiFi的人类活动识别（HAR）已经引起了极大的关注。虽然能够在单一领域（即在相同的一致的WiFi环境中进行训练和测试）实现准确的识别，但当WiFi环境发生重大变化时，它将变得非常艰难。因此，基于领域对抗性神经网络的方法已经被提出来处理这种跨领域的多样性，但在实践中经常发现有同样的限制：特征提取器的高容量和源领域的数据不足之间的不平衡。本文提出了i-Sample，一个基于中间样本生成的框架，努力解决基于WiFi的HAR的这个问题。i-Sample主要被设计成两阶段训练，在第一阶段提出了四个数据增强操作来训练一个粗略的领域不变的特征提取器。在第二阶段，我们利用分类误差的梯度生成中间样本，与原始样本一起完善分类器，使得i-Sample也能够在不修改神经网络的情况下被整合到大多数领域对抗性适应方法中。我们实现了一个原型系统来评估i-Sample，实验表明i-Sample可以有效地增强现在主流的基于WiFi的HAR的领域对抗性适应模型的性能，特别是当源领域数据不足时。
作者
周志鹏，王峰，龚伟
期刊\会议
ACM TOSN （submitted）
关键词
机器学习，领域自适应，基于WiFi的行为识别
