CrossFi: シアムネットワークに基づくクロスドメインWi-Fiセンシングフレームワーク

近年、Wi-Fiセンシングはプライバシー保護、低コスト、透過性などの多くの利点から注目を集めています。この分野では、ジェスチャ認識、人物識別、転倒検出などに焦点を当てた広範な研究が行われています。しかし、多くのデータ駆動型手法はドメインシフトに関連する課題に直面しています。これは、モデルが訓練データとは異なる環境で十分な性能を発揮できないことを指します。この問題の主な要因の一つは、Wi-Fiセンシングデータセットの限られた可用性です。これにより、モデルは過度に無関係な情報を学習し、訓練セットに対して過学習してしまう傾向があります。残念ながら、多様な状況下での大規模なWi-Fiセンシングデータセットの収集は困難な課題となっています。本稿では、この問題に対処するためにCrossFiを提案します。CrossFiは双子ネットワーク（Siamese Network）に基づいた手法であり、ドメイン内シナリオとクロスドメインシナリオにおいて優れた性能を発揮します。特に少ショット（Few-Shot）、ゼロショット（Zero-Shot）シナリオだけでなく、テストセットに新しいカテゴリが含まれる少ショット新クラス（Few-Shot New-Class）シナリオでも機能します。CrossFiの核心部分はCSi-Netと呼ばれるサンプル類似度計算ネットワークです。CSi-Netは注意メカニズムを使用して類似性情報を捉えることで双子ネットワークの構造を改善し、単純に距離やコサイン類似度を計算するだけではなくなります。此基础上，我们开发了一个额外的Weight-Net，可以为每个类别生成一个模板，从而使我们的CrossFi能够在不同场景中工作。（これを基に、各クラスに対してテンプレートを生成できる追加のWeight-Netを開発しました。これにより、CrossFiは異なる状況で機能することができます。）実験結果は、私たちのCrossFiが様々な状況において最先端の性能を達成していることを示しています。ジェスチャ認識タスクにおいて、CrossFiはドメイン内シナリオで98.17%の精度を達成し、ワンショットクロスドメインシナリオでは91.72%、ゼロショットクロスドメインシナリオでは64.81%、ワンショット新クラスシナリオでは84.75%の精度を達成しました。当モデルのコードは公開されており、https://github.com/RS2002/CrossFi からアクセスできます。注：「此基础上」一句在日语中通常会表达为「これを基に」，以保持句子的连贯性和自然度。