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

技術要約：WiLHPE – 動的カーネル・アテンションを用いた軽量型人間姿勢推定

問題提起
人間姿勢推定（HPE）は、日常的な活動モニタリングにおいて極めて重要であるが、実世界への導入には大きな障壁が存在する。従来の視覚センサは、遮蔽、照明条件、およびプライバシーへの懸念に苦慮しており、一方でウェアラブルデバイスは装着感が煩わしい場合が多い。無線周波数（RF）センシング（CSI：Channel State Informationを使用）は、プライバシーを保護する代替案を提供するが、既存のWiFiベースのHPEソリューションは、性能と効率性の間のトレードオフに直面している。現在の最先端（SOTA）手法は、複雑で高価なハードウェア（例：特殊なアンテナアレイ）に依存しているか、あるいは高い計算コスト（例：数百万のパラメータ）を伴うディープニューラルネットワークを採用しており、リソース制約のある日常的なデバイスには不向きである。さらに、既存の軽量化アプローチは、解像度が限られていたり、WiFi CSIデータに固有の関節の空間・スペクトル特徴を効果的に捉えられなかったりすることが多い。

手法
本論文では、生のWiFi CSI信号を用いた、軽量かつ効率的な人間姿勢推定のための新しいフレームワークであるWiLHPEを提案する。本システムは、教師・生徒（Teacher-Student）アーキテクチャに基づいて動作する：

1. 教師・生徒学習（Teacher-Student Training）： 事前学習済みの視覚ベースモデル（教師）がRGB画像から姿勢ラベルを抽出し、WiFiベースのモデル（生徒）の学習を監督する。テストフェーズでは、生徒ネットワークが独立して動作し、カメラを必要とせずに生のCSIデータから直接姿勢を予測する。
2. CF-DyNetアーキテクチャ： 生徒ネットワークの中核は、CF-DyNet（Channel-Frequency Dynamic Convolution Network）である。このサブネットワークは、標準的な動的畳み込み（DyConv）の限界（通常、チャネルドメインのみに注意を向ける点）に対処するために設計された、新しいCF-DyConvモジュールを利用している。
   • デュアルドメイン・アテンション（Dual-Domain Attention）： CF-DyConvは、CSIデータの**周波数（frequency）とチャネル（channel）**の両方の次元に対してアテンションメカニズムを適用する。これは、Squeeze-and-Excitation（SE）スタイルのメカニズムを採用し、周波数特徴とチャネル特徴に対してそれぞれアテンション重み（$\alpha_f$ および $\alpha_c$）を生成する。
   • 動的カーネル生成（Dynamic Kernel Generation）： これらのアテンション重みは、畳み込みカーネルを動的に調整し、重み付けするために使用される。出力は、特定の周波数およびチャネルパターンを捉える重要性に基づいて複数のカーネルを統合することで計算され、これによりモデルは関節位置に関連する情報量の多いスペクトル特性に適応的に焦タブル（focus）することが可能になる。
3. ハイパーパラメータ最適化： ヒューリスティックなチューニングへの依存を避けるため、本フレームワークはTree-Structured Parzen Estimator (TPE) アルゴリズムを採用している。この手法は、アテンションメカニズムの削減比率（$r$）と温度（$\tau$）、およびバッチサイズやカーネルサイズといった構造的パラメータを含む重要なハイパーパラメータを効率的に最適化する。
4. 損失関数： モデルは、教師ネットワークから提供されるグランドトゥルースと予測されたキーポイントとの間の平均二乗誤差（MSE）損失を用いて学習され、CSIデータの高い粒度を活用する。

主な貢献

• CF-DyConvアーキテクチャ： チャネルおよび周波数の両方のドメインを活用してカーネルを動的に学習する、軽量な畳み込みアーキテクチャの導入。このアプローチは、複雑さを大幅に増すことなくカーネルを多様化させることで認識能力を向上させ、短フレームのCSIデータ特有の特性に対処する。
• 効率的なハイパーパラメータ探索： TPEアルゴリズムを適用してCF-DyNetサブネットワークを自動的に最適化し、従来の手法と比較してハイパーパラメータ探索に要する時間を短縮する。
• 高性能な軽量モデル： 標準的なデータセットにおいてSOTAの性能を達成しつつ、低いパラメータ数（MM-Fiで約1.78M、WiPoseで3.49M）と低い計算オーバーヘッド（FLOPs）を維持するシステムの開発。これにより、汎用的なWiFiデバイスへの適用が可能となる。

実験結果
著者らは、2つの公開データセットであるMM-FiおよびWiPoseを用いてWiLHPEを評価した。

• MM-Fiデータセット： WiLHPEは**85.96%のPCK50および79.22%**のPCK40を達成した。これはMetaFi++（PCK50を約2%向上）やWiLDARといったSOTAベンチマークを上回り、かつ、MetaFi++の15分の1以下の複雑さで動作する。
• WiPoseデータセット： 本モデルは**94.27%のPCK50および89.41%**のPCK20を達成し、すべての指標（PCK, MPJPE, PA-MPJPE）において比較対象となったすべてのベンチマークスキーム（PerUnetやMetaFi++を含む）を上回った。
• 堅牢性（Robustness）： 加法的白色ガウスノイズ（AWGN、分散 $\sigma^2_e = 0.5$）の下において、WiLHPEは約**80%**のPCK50を維持し、基本CNNが約60%まで低下したのと比較して有意に優れた性能を示した。同様に、敵対的攻撃（FGSM-U-N）の下でも、本モデルは非動的なベースラインよりも優れた安定性を示した。
• アブレーション研究： 実験により、デュアルドメイン・アテンション（CF-DyConv）が、標準的なCNN、SENet、SKConv、およびシングルドメインのDyConvを大幅に上回ることが確認された。最適な構成は、削減比率（$r$）が16、温度（$\tau$）が30のときに得られた。

意義
本論文は、WiLHPEが実世界のシナリオにおけるWiFiベースの人間センシングの実用的な展開に向けた重要な一歩であると主張している。高精度な姿勢推定と、軽量で効率的なニューラルネットワークアーキテクチャを巧みに両立させることで、本フレームワークは従来のRFベースのアプローチにおけるハードウェアおよび計算上の制限を克服している。著者らは、本手法によって、高価な特殊機器や侵入的なウェアラブルセンサを必要とすることなく、スマートホームや健康モニタリングシステムなどの環境において、プライバシーを保護しつつ詳細な人間活動のモニタリングを行うための汎用的なWiFiデバイスの使用が可能になると断言している。