基于WiFi的人类活动识别在不平衡数据和变化环境下的稳定性研究
摘要
基于WiFi的人类行为识别技术近几十年来已成为一种重要技术，提供便捷且保护隐私的应用方案。然而，现有基于稳定环境设计的框架在面对现实场景中的环境变化和不平衡训练数据时面临挑战。本文从统一视角出发，通过探索更广义的局部极小值来同时解决这两个问题。
首先，我们重新审视现有解决方案，并通过实证研究发现基于长尾数据训练的WiFi行为识别模型中存在尖锐极小值。为此，我们提出了一种名为类区域平坦化的新方法，用于识别类条件平坦极小值。该方法有效缓解了长尾分布引起的模型偏差，并增强了在环境变化下的泛化能力。
此外，我们引入了选择性平坦化操作，以防止不同活动类别间的优化冲突，并降低计算开销。我们将类区域平坦化集成到主流的WiFi行为识别模型中，并使用自采集的WiFi行为识别数据集进行性能评估。大量实验表明，类区域平坦化的引入带来了显著的性能提升。这些发现证实了类区域平坦化在解决WiFi行为识别中环境变化和不平衡训练数据挑战方面的有效性。
作者
王友全，周志鹏，王帅，邓贤君，惠维，龚伟
期刊\会议
ACM Transactions on Sensor Networks (CCF B) [Link]
关键词
泛化；基于WiFi的人类活动识别
