CrossFi: Siamese 네트워크 기반의 크로스 도메인 Wi-Fi 센싱 프레임워크

최근 몇 년간, Wi-Fi 센싱은 프라이버시 보호, 저렴한 비용, 그리고 투과 능력 등의 다양한 장점으로 인해 많은 주목을 받고 있습니다. 이 분야에서는 제스처 인식, 사람 식별, 낙상 감지 등에 대한 광범위한 연구가 진행되었습니다. 그러나 많은 데이터 기반 방법들은 도메인 시프트(domain shift)와 관련된 문제를 겪고 있으며, 이는 모델이 훈련 데이터와 다른 환경에서 잘 작동하지 않는 현상을 의미합니다. 이러한 문제의 주요 원인 중 하나는 Wi-Fi 센싱 데이터셋의 한정된 가용성입니다. 이로 인해 모델들이 과도한 무관한 정보를 학습하고 훈련 세트에 과적합(over-fit)되는 경향이 있습니다. 불행히도, 다양한 상황에서 대규모 Wi-Fi 센싱 데이터셋을 수집하는 것은 어려운 작업입니다. 이 문제를 해결하기 위해 우리는 CrossFi라는 시아메즈 네트워크(siamese network) 기반 접근법을 제안합니다. CrossFi는 도메인 내 상황뿐만 아니라 도메인 간 상황에서도 뛰어난 성능을 발휘하며, 특히 소수 샘플(new-shot), 제로 샘플(zero-shot) 상황, 그리고 테스트 세트에 새로운 범주가 포함된 소수 샘플 신규 클래스(few-shot new-class) 상황에서도 효과적으로 작동합니다.CrossFi의 핵심 구성 요소는 유사성 계산 네트워크인 CSi-Net으로, 어텐션 메커니즘(attention mechanism)을 사용하여 유사성 정보를 포착함으로써 시아메즈 네트워크의 구조를 개선합니다. 이를 바탕으로 각 클래스에 대한 템플릿을 생성할 수 있는 추가적인 Weight-Net을 개발하였습니다.这样一来，我们的CrossFi可以在不同场景中有效工作。实验结果表明，我们的CrossFi在各种场景下均达到了最先进的性能。在手势识别任务中，我们的CrossFi在域内场景中的准确率为98.17%，单次跨域场景中的准确率为91.72%，零样本跨域场景中的准确率为64.81%，以及单次新类别场景中的准确率为84.75%。（为了确保最后一段的自然流畅，我将其重新翻译如下：）실험 결과는 우리의 CrossFi가 다양한 상황에서 최고 수준의 성능을 달성하였음을 입증하였습니다. 제스처 인식 작업에서 CrossFi는 도메인 내 상황에서 98.17%, 단일 샷(one-shot) 도메인 간 상황에서 91.72%, 제로 샷(zero-shot) 도메인 간 상황에서 64.81%, 그리고 단일 샷 신규 클래스(one-shot new-class) 상황에서 84.75%의 정확도를 기록하였습니다. 우리의 모델 코드는 https://github.com/RS2002/CrossFi 에서 공개적으로 이용 가능합니다.注：为了确保术语的一致性和准确性，我在最后一段中保留了部分英文术语并进行了适当的标注。