关键词:
RFID感知
无线感知
小样本学习
手势识别
迁移学习
摘要:
人类正在进入一个“人机物”三元融合的万物智能互联时代。在新兴的人机物融合系统中,在不同环境下能够对用户的行为活动进行精确的感知,对于实现高效可靠的人机物融合应用至关重要。近年来,基于无线射频识别(Radio frequency identification,RFID)、Wi Fi等无线信号来对用户行为活动进行精准感知已经成为学术界关心的前沿课题。然而,以信号反射为基础的被动式无线感知对环境有着较高的依赖性,同种用户行为产生的感知信号会随着应用场景的变化而变化,从而导致在原始场景中训练的模型难以适应另一个新场景。这被称为无线感知系统的跨场景问题,也是无线感知领域的一个重要挑战。如何保持模型在不同环境下的感知性能一直是备受研究人员关注的难题。另外,尽管迁移学习被广泛用于降低无线感知系统在跨场景工作时所需的训练样本量,但在不相关的数据集之间盲目地进行迁移训练也可能造成模型性能的下降,这种现象被称为负迁移。如何克服负迁移的影响同样是一个重要挑战。本文针对上述两个问题展开研究,旨在实现小样本、精确的手势识别系统并通过建立关于无线感知系统迁移性的评估指标降低负迁移对模型的影响。首先针对无线感知系统的跨场景问题,本文提出了RF-Siamese,一种基于孪生网络的小样本RFID手势识别系统。不同于传统的无线感知系统,RF-Siamese只需针对每种手势采集1个样本就能获得较高的分类精度,且无需借助任何源场景数据,这大大降低了它在不同场景部署时的数据采集成本。RF-Siamese首先将时序相位信号通过短时傅里叶转换为时频域的频谱图,丰富手势特征。然后精心设计孪生网络结构与参数,并利用对比损失函数实现同类样本距离减少、不同类样本距离增大的功能。另外,针对传统数据集随机组合样本对导致可能的遗漏样本问题,RF-Siamese提出了一种基于全排列的数据集生成策略,充分利用有限的训练样本组成孪生网络输入。最后,RF-Siamese提出一种模板匹配方法来将二分类孪生网络扩展为多分类网络。我们利用商用RFID设备实现了RF-Siamese,大量实验表明在识别18种常用手势时,只需要每类手势1个样本训练,RF-Siamese可达到0.93的识别准确率,对比基于迁移学习和元学习的方法分别提升了0.34与0.23。其次针对模型负迁移问题,本文通过引入数据集相似性衡量指标LEEP(Log Expected Empirical Prediction,对数期望经验预测),实现了对无线感知系统的迁移性评估。LEEP最早用于迁移学习的模型训练,其基本思想在于利用目标场景特征与源场景分类器的经验条件分布来衡量不同场景数据集的相似程度,区别于传统衡量指标如MMD距离、KL散度只考虑数据集的边缘分布,它在计算的过程中还考虑了数据集的条件分布,性能更可靠。我们使用Py Torch实现了LEEP,并在大量不同环境下数据集进行了实验。实验结果表明,不相似的数据集的LEEP值要比相似数据集的值低6%左右,性能则降低0.11。相关性分析结果显示LEEP和迁移学习准确率的相关系数大于0.7,可以认为LEEP和迁移学习准确率之间存在显著正相关关系,能够指示数据集之间的相似性与迁移学习的性能,有效地防止负迁移现象导致模型性能下降。图57幅,表4个,参考文献100篇