跳到正文
arXiv · ML· Luca Cotti, Marco Cominelli, Francesco Gringoli, Lance M. Kaplan, Mani B. Srivastava, Trevor Bihl, Erik Blasch, Kara Combs, Daniel O. Brigham, Federico Cerutti·· 13 小时前AI 评分29

Wi-HAR:基于变分Wi-Fi感知与证据不确定性的人类活动识别与部署偏移检测

From Activity Recognition to Shift Detection: Variational Wi-Fi Sensing with Evidential Uncertainty

AI 导读

提出Wi-HAR架构,在公开基准12种活动测试中达成96.6%中位识别准确率,显著优于70.8%-81.5%的单天线模型。 利用证据深度学习生成类条件不确定性分数,在11个数据集中实现0.897的宏观平均ROC-AUC,检测82.5%的偏移样本且误报率为5.2%。 揭示检测性能随接收位置变化显著,表明相同物理变化未产生统一的不确定性响应。

来源:arXiv · ML · arxiv.org