Generalization Ability Analysis of Through-the-Wall Radar Human Activity Recognition
원문 초록
Through-the-Wall radar (TWR) human activity recognition (HAR) is a technology that uses low-frequency ultra-wideband (UWB) signal to detect and analyze indoor human motion. However, the high dependence of existing end-to-end recognition models on the distribution of TWR training data makes it difficult to achieve good generalization across different indoor testers. In this regard, the generalization ability of TWR HAR is analyzed in this paper. In detail, an end-to-end linear neural network method for TWR HAR and its generalization error bound are first discussed. Second, a micro-Doppler corner representation method and the change of the generalization error before and after dimension reduction are presented. The appropriateness of the theoretical generalization errors is proved through numerical simulations and experiments. The results demonstrate that feature dimension reduction is effective in allowing recognition models to generalize across different indoor testers.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
데이터 효율적 심층 학습: 관성 센서 분류에서 학습 세트 크기 추정을 위한 경험적 지침
Data-Efficient Deep Learning: Empirical Guidelines for Training Set Size Estimation in Inertial Sensor Classification
심층 학습 모델의 대규모 관성 데이터셋 의존성은 인간 활동 인식(human activity recognition) 및 스마트폰 위치 인식(smartphone location recognition)과 같은 관성 센서 기반 분류 작업에서 심각한 병목 현상을 초래한다. 이러한 도메인에서 데이터 수집은 복잡하고 시간이 많이 소요되며 확장이 어려운 대규모 녹화 캠페인을 필요로 한다. 현재, 원하는 정확도 수준에 도달하는 데 필요한 최소 샘플 크기를 결정하기 위한 데이터 기반 지침은 존재하지 않는다. 이 격차를 해소하기 위해, 본 연구는 관성 분류에서 학습 곡선(learning curve) 수렴 속도에 대한 체계적인 경험적 평가를 제시한다. 이진 및 다중 클래스 시나리오 모두에서 분류 성능을 분석하는 통합 프레임워크를 소개하고, 데이터셋 크기에 따른 성능을 추정하는 경험적 공식을 도출한다. 총 102.7시간의 관성 측정값으로 구성된 6개의 다양한 실세계 데이터셋에 대한 테스트 결과, 작업 복잡도에 관계없이 정확도가 일관된 로그 성장 패턴을 따르는 것으로 나타났다. 이 발견을 활용하여, 학습 곡선이 점근적 최대값의 사전 정의된 평균 절대 백분율 편차(mean absolute percentage deviation) 이내로 안정화되는 데 필요한 샘플 크기로 정의되는 정량적 안정점(stability point) 지표를 제안한다. 분석 결과, 모델은 전통적인 경험 법칙이 제시하는 것보다 훨씬 적은 샘플로 실용적 안정성에 도달하는 경우가 많음이 밝혀졌다. 궁극적으로, 소규모 파일럿 연구에서 전체 데이터 요구량을 외삽하는 일반화 가능한 프레임워크를 제공하여, 녹화 노력과 모델 신뢰성 간의 트레이드오프를 최적화한다. 이러한 발견들은 지배적인 패러다임을 데이터 볼륨 최대화에서 데이터 효율성 최적화로 전환시키며, 관성 센싱 애플리케이션에서 녹화 캠페인 계획을 위한 구체적이고 데이터 기반의 지침을 제공한다.
벽 투과 레이더 인체 행동 인식을 위한 일반화 이론
Generalization Theory for Through-the-Wall Radar Human Activity Recognition
벽 투과 레이더(TWR) 인체 행동 인식(HAR)은 가시선 비확보(non-line-of-sight) 실내 감지, 보안 모니터링, 긴급 구조에 있어 중요하다. 그러나 개인 변이, 관측 시점 변이, 벽 조건 변이로 인한 구조적 분포 이동(distribution shift)은 인식 일반화를 심각하게 저하시키며, 목표 도메인 오류의 근원에 대한 엄밀한 이론적 설명이 여전히 부재하다. 이 문제를 해결하기 위해, 본 논문에서는 TWR HAR을 위한 일반화 분석 프레임워크를 제안한다. 먼저, 실내 인체 운동학, TWR 에코 생성, 레이더 이미지 형성, 특징(feature) 표현, 유계 가중치(bounded-weight) 신경망에 대한 모델을 통합된 소스-대-타겟 학습 공식화 내에서 수립한다. 이후 소스 위험도(source risk), 타겟 위험도(target risk), 경험적 위험도(empirical risk), 허용 가능한 물리적 도메인 디스크립터(admissible physical domain descriptor)를 정의하고, 통합된 목표 도메인 일반화 경계(generalization bound)를 도출한다. 다음으로, 구조적 이동 항을 교차 개인(cross-person), 교차 시점(cross-view), 교차 벽(cross-wall) 성분으로 분해하고, 물리적 저차원 표현, 다중 소스 학습, 매개변수(parameter) 공간 커버리지의 경계 조임(bound-tightening) 효과를 분석한다. 시뮬레이션 및 실측 실험을 통해 도출된 이론적 분석을 공동으로 검증하고 그 응용 가치를 제시한다.
STELLA: 온디바이스 인간 행동 인식을 위한 효율적인 센서-LLM 변환
STELLA: Efficient Sensor-to-LLM Translation for On-Device Human Activity Recognition
인간 행동 인식(HAR)은 엣지 디바이스에서 지속적으로 실행될 것이 점점 더 기대되고 있지만, 최근 대규모 언어 모델(LLM) 기반 방법들은 배포가 어렵다는 문제가 있다. 원시 센서 프롬프트는 길고, 클라우드 추론은 지연과 개인정보 침해 위험을 수반하며, 파인튜닝된 LLM 파이프라인은 범용 모델을 태스크 특화 분류기로 전환시킨다. 우리는 LLM 적응 부담을 센서 토큰화로 전환하는, 온디바이스 HAR을 위한 효율적인 센서-LLM 변환 프레임워크 STELLA를 제안한다. 경량 계층적 토크나이저는 다채널 관성 센서 윈도우 전체를 고정 크기의 간결한 잠재 센서 토큰으로 압축하고, 이를 동결된 사전학습 LLM의 임베딩 공간으로 투영한 뒤 레이블 채점을 위한 자연어 프롬프트와 결합한다. 이를 통해 활동과 관련된 시간적·채널 간 구조를 보존하면서, 센서 구성이 달라져도 LLM 측 연산을 예측 가능하게 유지한다. STELLA는 온디바이스 개인화도 지원하여, 소량의 사용자 특화 레이블 데이터에 대해 경량 토크나이저만을 적응시키고 로컬 검색 컨텍스트로 추론을 보강하며, LLM·사용자 데이터·검색 모두를 디바이스 내에 유지한다. 7개의 공개 HAR 데이터셋과 8개의 벤치마크 설정에서 STELLA는 새로운 최고 성능을 달성하며, 기존 방법 대비 최대 11.83% F1 향상을 이루었다. 온디바이스 개인화는 배포 후 사용자 데이터가 축적됨에 따라 추가로 최대 21.91% F1 향상을 가져온다. STELLA는 동일한 LLM 파이프라인 하에서 대표적인 시계열 토크나이저보다 우수한 성능을 보이며, 실용적인 모바일 및 엣지 예산 내에서 실시간 추론을 달성한다. 이는 효율적인 센서 토큰화가 엣지 디바이스에서 정확하고 사생활을 보호하며 개인화된 LLM 기반 HAR로 나아가는 실용적인 경로임을 보여준다.
웨어러블 원격측정 데이터 기반 운동선수 성능 점수화를 위한 오토인코더 아키텍처
Autoencoder Architectures for Athlete Performance Scoring from Wearable Telemetry
웨어러블 기기는 일상적인 러너들을 위한 대규모 고차원 학습 로그를 생성하며, 이제 병목은 데이터 수집보다 해석에 있다. 본 논문은 차원 축소 모델 5개, 오토인코더 변형 3종, PCA, 변분 오토인코더(VAE)를 평가하여 9개 센서 러너 프로필을 단일 스칼라 성능 지표인 잠재 점수(latent score)로 압축하는 능력을 검토한다. 설정이 완전 비지도이므로 모델 품질은 두 가지 상보적인 축을 따라 평가된다: 재구성 오차(Mean Squared Error)와 Spearman 및 Kendall 순위 상관, 상호정보량(Mutual Information), 순열 중요도(Permutation Importance)로 측정한 잠재 점수 해석 가능성. 이들은 재구성 정확도만으로 모델을 선택하는 것을 방지하는 복합 선택 기준으로 결합된다. 네 가지 지표의 특징 순위는 수정 Borda count로 집계되며, 부트스트랩 검증을 통해 안정성이 확인된다. 비교의 기준점으로 2개 특징 선형 기준선이 포함된다. Deep autoencoder는 가장 낮은 재구성 오차와 가장 높은 복합 점수를 달성했다. PCA 은닉층을 확장한 뒤 더 깊은 변형들은 복합 기준에서 Deep AE와 근접하게 경쟁하게 되었으며, 이는 제한 요인이 1차원 병목이 아니라 은닉층 용량이었음을 시사한다. 달리기 페이스, 유산소 디커플링(aerobic decoupling), 평균 심박수가 모든 모델과 재샘플링 실행에서 잠재 점수의 지배적 동인으로 나타났으며, 이는 기존 생리학과 일치한다.
LastAct: 실시간 스마트홈 행동 인식을 위한 궤적 기반 최신 활동 위치 추정
LastAct: Trajectory-Guided Latest-Activity Localization for Real-Time Smart-Home Activity Recognition
주변 센서를 이용한 인간 행동 인식(HAR)은 건강 모니터링 및 생활 보조와 같은 스마트홈 응용을 가능하게 한다. 그러나 실제 배포 환경에서는 센서 이벤트가 연속 스트림으로 도착하며 활동 경계가 알려지지 않는다. 따라서 슬라이딩 윈도우 추론은 전환 구간에 걸쳐 있거나 복합 활동을 포함하는 윈도우를 다수 생성하여, 대부분의 벤치마크와 모델이 사용하는 사전 분할 인스턴스 가정을 위반하는 경계 오염 문제를 야기한다. 또한 많은 파이프라인은 센서 ID를 독립적인 토큰으로 처리함으로써 공간적 문맥을 충분히 활용하지 못한다. 본 논문에서는 혼합 윈도우 환경에서 가장 최근 활동을 대상으로 하면서 공간 구조를 명시적으로 모델링하는 스트리밍 스마트홈 HAR을 위한 궤적 중심 프레임워크인 LastAct를 제안한다. LastAct는 센서 이벤트를 가정 평면도에 투영하여 공간적 연속성을 보존하는 레이아웃 정렬 궤적 이미지 시퀀스를 형성한다. 경량 게이트가 오염된 윈도우를 식별하고, 경계 위치 추정기가 마지막 전환 지점을 추정함으로써 경계 이후 증거를 강조하고 오래된 문맥을 억제하는 경계 기반 마스킹을 가능하게 한다. 효율성을 위해 사전 계산된 레이아웃 정렬 템플릿 캐시를 재사용하여 반복적인 렌더링을 방지한다. 네 개의 공개 스마트홈 데이터셋에서 근현실적 혼합 활동 프로토콜을 적용한 실험 결과, LastAct는 순수 윈도우에서 경쟁력 있거나 우수한 성능을 달성하고 교차/혼합 윈도우에서 Macro-F1의 상당한 향상을 보임으로써, 근현실적 슬라이딩 윈도우 환경에서 개선된 강건성을 입증한다.
마이크로컨트롤러급 엣지 디바이스를 위한 임베디드 머신러닝: 데이터, 특징, 평가 및 배포 파이프라인
Embedded Machine Learning for Microcontroller-Class Edge Devices: Data, Feature, Evaluation, and Deployment Pipelines
임베디드 머신러닝은 추론을 클라우드 서비스에서 메모리, 에너지, 지연 시간에 대한 엄격한 제한 안에서 데이터를 획득하고, 신호를 전처리하며, 모델을 실행하고, 동작해야 하는 자원 제약 디바이스로 옮깁니다. 본 논문은 마이크로컨트롤러급 플랫폼을 위한 임베디드 머신러닝 워크플로의 시스템 지향적 종합을 제시합니다. 강조점은 일반적인 머신러닝 입문서에서 종종 드러나지 않는 엔지니어링 결정에 둡니다: 샘플링 및 버퍼링, 차원 축소로서의 특징 추출, 클래스 불균형 하에서의 검증, 모델/런타임 공동 설계, 스트리밍 배포. 논문 전반에 걸쳐 두 가지 대표적인 신호 계열이 사용됩니다. 첫 번째는 관성 운동 인식으로, 2초 길이의 3축 가속도계 윈도우가 분류 전에 원시 샘플에서 RMS(root-mean-square) 및 스펙트럴 특징으로 변환됩니다. 두 번째는 키워드 스팟팅(keyword spotting)으로, 오디오가 샘플링되고 안티앨리어싱 처리된 뒤 멜 주파수 켑스트럴 계수(mel-frequency cepstral coefficients)로 변환되고, 컴팩트한 1차원 합성곱 네트워크에 의해 처리됩니다. 논문은 데이터 큐레이션, 양자화, 임계값 설정, 스케줄링, 현장 모니터링을 포함하여 견고한 온디바이스 추론을 위한 실용적 설계 규칙으로 마무리됩니다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.