[论文笔记] Learning Gestures From WiFi: A Siamese Recurrent Convolutional Architecture

原文链接：Learning Gestures From WiFi: A Siamese Recurrent Convolutional Architecture | IEEE Journals & Magazine | IEEE Xplore

---

Methodology [原文图片，侵删]

System Design 上的改进

1）文章利用OpenWrt, 一款 lightweight Linux OS 作为IoT platform 的OS来开发平台，用于收集WiFi CSI的数据， 相较于传统的Intel 5300 NIC tool，该平台将subcarriers数目从30拓展到了114 （更多的subcarriers意味着更多的CSI info）

2）文章利用CSI phase data来做gestures learning, 因为认为phase比amplitude更sensitive

Siamese Recurrent Convolutional Network

Model

Inputs: two gesture stream samples

Loss function:

1) Pairwise loss: The pairwise loss guarantees that the distance between the same samples
is restricted within m − b while the margin of samples from different classes exceeds m + b.

2) MMD: 为了使得model具有更好的transferability， 可以有效处理来自不同domain的samples，引入multiple kernel variant of maximum mean discrepancies (MK-MMD)。MK-MMD bears the unique property for measuring two distributions of samples from different domains

Total loss：

Algorithm 

利用one-shot learning 做gesture recognition

当model已经利用足够的samples训练之后，我们可以在新的环境中为每组gesture(不考虑新的gestures)收集一个或者几个samples并进行label，之后可以通过比较test sample和each class的Euclidean distance进行分类

---

Experiments & Evaluations

Cons：

1） 考虑的gestures classes 较少 （6组？）

2） 只考虑了新的环境下同样classes的testing，未来可以多考虑一些新的不同的gestures