.png){kind=icon}
返回
SEGALL: A Unified Active Learning Framework for Wireless Sensing Data Segmentation
.png){kind=icon}
PRE
AI
DOI：10.1145/3749492.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
无线传感技术因其固有的隐私保护和非接触特性而成为一种有前景的技术，能够实现广泛的应用。迄今为止，将研究转化为实际应用的主要挑战在于实现准确的数据分割。这一过程涉及在复杂且扩展的时间序列传感数据中识别目标活动的起始和结束点，为后续推理任务奠定基础。然而，现有无线传感中的分割技术通常局限于特定信号类型，并且在区分细粒度活动方面表现有限，尤其是在面对相似背景信号时。为解决这些问题，我们提出了SegALL，一个能够处理多样化信号的统一分割框架。通过利用轻量级、与信号无关的深度学习架构与主动学习相结合，SegALL能够对细粒度活动进行准确分割，即使在具有相似特征的活动干扰下也能实现。在合成数据集和真实世界数据集上的实验评估表明，SegALL显著提高了包括IMU、Wi-Fi和mmWave信号在内的各种模态的分割可靠性。例如，它实现了91.12%的mmWave信号分割准确率，超过了之前达到70.50%的分割方案。此外，SegALL将手动标注工作量减少了40.15%，并保持了轻量级的计算成本，使其适合部署在树莓派等边缘设备上。
期刊
P
IF:
4.5
论文数:
1.1K
被引数:
7.2K
机构
暂无机构信息
.png){kind=icon}
