Seeing Through WiFi: Lightweight Human Pose Estimation with Dynamic Kernel Attention

Resumen Técnico: WiLHPE – Estimación de la Pose Humana Ligera con Atención de Núcleo Dinámico

Declaración del Problema
La Estimación de la Pose Humana (HPE, por sus siglas en inglés) es fundamental para el monitoreo de actividades diarias, pero enfrenta barreras significativas en su despliegue en el mundo real. Los sensores visuales tradicionales luchan contra las oclusiones, las condiciones de iluminación y las preocupaciones de privacidad, mientras que los dispositivos portátiles suelen ser engorrosos. Aunque la detección mediante Radiofrecuencia (RF) utilizando la Información del Estado del Canal (CSI) ofrece una alternativa que preserva la privacidad, las soluciones de HPE basadas en WiFi existentes enfrentan un compromiso entre rendimiento y eficiencia. Los métodos actuales de vanguardia (SOTA) a menudo dependen de hardware complejo y costoso (por ejemplo, arreglos de antenas especializados) o emplean redes neuronales profundas con altos costos computacionales (por ejemplo, millones de parámetros), lo que los hace inadecuados para dispositivos cotidianos con recursos limitados. Además, los enfoques ligeros existentes suelen sufrir de una resolución limitada o no logran capturar eficazmente las características espaciales-espectrales conjuntas inherentes a los datos de CSI de WiFi.

Metodología
El artículo propone WiLHPE, un nuevo marco para la estimación de la pose humana ligera y eficiente utilizando señales CSI de WiFi puras. El sistema opera bajo una arquitectura de profesor-estudiante:

1. Entrenamiento Profesor-Estudiante: Un modelo basado en visión preentrenado (Profesor) extrae etiquetas de pose a partir de imágenes RGB para supervisar el entrenamiento de un modelo basado en WiFi (Estudiante). Durante la fase de prueba, la red Estudiante opera de forma independiente, prediciendo poses directamente a partir de datos CSI puros sin requerir cámaras.
2. Arquitectura CF-DyNet: El núcleo de la red Estudiante es la Red de Convolución Dinámica de Canal-Frecuencia (CF-DyNet). Esta subred utiliza un nuevo módulo CF-DyConv diseñado para abordar las limitaciones de la Convolución Dinámica (DyConv) estándar, que típicamente solo presta atención al dominio de los canales.
   • Atención de Doble Dominio: CF-DyConv aplica mecanismos de atención a través de las dimensiones de frecuencia y canal de los datos CSI. Emplea un mecanismo de tipo Squeeze-and-Excitation (SE) para generar pesos de atención ($\alpha_f$ y $\alpha_c$) para las características de frecuencia y canal, respectivamente.
   • Generación de Núcleo Dinámico: Estos pesos de atención se utilizan para ajustar y ponderar dinámicamente los núcleos convolucionales. La salida se computa agregando múltiples núcleos ponderados por su importancia para capturar patrones específicos de frecuencia y canal, lo que permite al modelo enfocarse adaptativamente en firmas espectrales informativas relacionadas con las posiciones de las articulaciones.
3. Optimización de Hiperparámetros: Para evitar la dependencia de ajustes heurísticos, el marco emplea el algoritmo Estimador de Parzen Estructurado en Árbol (TPE). Este método optimiza eficientemente los hiperparámetros críticos, específicamente la relación de reducción ($r$) y la temperatura ($\tau$) del mecanismo de atención, así como parámetros estructurales como el tamaño del lote (batch size) y el tamaño del núcleo (kernel size).
4. Función de Pérdida: El modelo se entrena utilizando una pérdida de Error Cuadrático Medio (MSE) entre los puntos clave predichos y la verdad de campo proporcionada por la red del profesor, aprovechando la alta granularidad de los datos CSI.

Contribuciones Clave

• Arquitectura CF-DyConv: La introducción de una arquitectura convolucional ligera que aprende núcleos dinámicamente explotando tanto los dominios de canal como de frecuencia. Este enfoque diversifica los núcleos para mejorar las capacidades de reconocimiento sin añadir una complejidad significativa, abordando las características específicas de los datos CSI de fotogramas cortos.
• Búsqueda Eficiente de Hiperparámetros: La aplicación del algoritmo TPE para optimizar automáticamente las subredes CF-DyNet, reduciendo el tiempo requerido para la búsqueda de hiperparámetros en comparación con los métodos tradicionales.
• Modelo Ligero de Alto Rendimiento: El desarrollo de un sistema que logra un rendimiento SOTA en conjuntos de datos estándar manteniendo un bajo recuento de parámetros (aprox. 1.78M para MM-Fi y 3.49M para WiPose) y una baja sobrecarga computacional (FLOPs), lo que lo hace adecuado para dispositivos WiFi comerciales.

Resultos Experimentales
Los autores evaluaron WiLHPE en dos conjuntos de datos públicos: MM-Fi y WiPose.

• Conjunto de Datos MM-Fi: WiLHPE logró un 85.96% de PCK50 y un 79.22% de PCK40. Superó a los referentes SOTA como MetaFi++ (mejorando el PCK50 en ~2%) y WiLDAR, requiriendo significativamente menos recursos (menos de 1/15 de la complejidad de MetaFi++).
• Conjunto de Datos WiPose: El modelo alcanzó un 94.27% de PCK50 y un 89.41% de PCK20, superando todos los esquemas de referencia comparados (incluyendo PerUnet y MetaFi++) en todas las métricas (PCK, MPJPE, PA-MPJPE).
• Robustez: Bajo Ruido Blanco Gaussiano Aditivo (AWGN) con varianza $\sigma^2_e = 0.5$, WiLHPE mantuvo aproximadamente un 80% de PCK50, superando significativamente a las CNN básicas que cayeron a ~60%. Del mismo modo, bajo ataques adversarios (FGSM-U-N), el modelo demostró una estabilidad superior en comparación con las bases no dinámicas.
• Estudios de Ablación: Los experimentos confirmaron que la atención de doble dominio (CF-DyConv) superó significativamente a las CNN estándar, SENet, SKConv y la DyConv de un solo dominio. La configuración óptima se encontró con una relación de reducción ($r$) de 16 y una temperatura ($\tau$) de 30.

Significancia
El artículo afirma que WiLHPE representa un paso significativo hacia el despliegue práctico de la detección humana mediante WiFi en escenarios del mundo real. Al equilibrar con éxito la estimación de la pose de alta precisión con una arquitectura de red neuronal ligera y eficiente, el marco supera las limitaciones de hardware y computación de los enfoques previos basados en RF. Los autores aseguran que su método permite el uso de dispositivos WiFi comerciales para el monitoreo de actividades humanas de grano fino y preservación de la privacidad en entornos como hogares inteligentes y sistemas de monitoreo de salud, sin la necesidad de equipos especializados costosos o sensores portátiles intrusivos.