使用RFID的多对抗性车内活动识别
摘要
汽车内的人体活动识别为智能驾驶行为检测和无触式人车交互打开了新的机会。在众多传感技术（例如使用相机和可穿戴传感器）中，射频识别（RFID）由于其低成本、易于部署和更少的隐私问题而具有独特的优势。现有的基于RFID的活动识别解决方案大多局限于稳定的室内空间。然而，汽车内部空间更加紧凑和复杂，更不用说快速变化的驾驶条件。所有这些都引入了相当大的噪声，污染了与活动相关的信息，而市场上各种汽车型号的存在进一步复杂化了这个问题。在本文中，我们首次仔细研究了影响基于RFID的汽车内活动识别的不同因素。我们提出了RF-CAR，这是一种新颖的基于RFID标签无解决方案，适应不同的汽车内部环境。RF-CAR智能地过滤RF信号中的领域特定特征，并最大程度地保留与活动相关的特征。然后，它集成了深度学习架构和高级多对抗域适应网络进行训练和预测。通过仅进行一次预训练，RF-CAR可以适应新的数据域，例如新的驾驶条件、汽车型号和人类对象，以实现稳健的活动识别。我们还证明它可以使用商用现成的RFID设备轻松部署在汽车中。我们的广泛实验表明，RF-CAR的总体识别准确率约为95％，明显优于最先进的解决方案。
作者
王方新、刘江川、龚伟
期刊\会议
IEEE TMC (CCF-A) [Link]
关键词
深度学习，域对抗网络，行为识别
