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

Resumo Técnico: WiLHPE – Estimativa de Pose Humana Leve com Atenção de Kernel Dinâmico

Declaração do Problema
A Estimativa de Pose Humana (HPE) é crítica para o monitoramento de atividades diárias, mas enfrenta barreiras significativas na implantação no mundo real. Sensores visuais tradicionais lutam contra oclusões, condições de iluminação e preocupações com a privacidade, enquanto dispositivos vestíveis são frequentemente incômodos. Embora a detecção por Radiofrequência (RF) usando Informação de Estado de Canal (CSI) ofereça uma alternativa que preserva a privacidade, as soluções atuais de HPE baseadas em WiFi enfrentam um compromisso entre desempenho e eficiência. Os métodos atuais de estado da arte (SOTA) frequentemente dependem de hardware complexo e caro (ex: arrays de antenas especializados) ou empregam redes neurais profundas com altos custos computacionais (ex: milhões de parâmetros), tornando-os inadequáveis para dispositivos comuns com recursos limitados. Além disso, as abordagens leves existentes muitas vezes sofrem com resolução limitada ou falham em capturar efetivamente as características espaciais-espectrais conjuntas inerentes aos dados de CSI de WiFi.

Metodologia
O artigo propõe o WiLHPE, um novo framework para estimativa de pose humana leve e eficiente usando sinais brutos de CSI de WiFi. O sistema opera em uma arquitetura professor-aluno:

1. Treinamento Professor-Aluno: Um modelo baseado em visão pré-treinado (Professor) extrai rótulos de pose a partir de imagens RGB para supervisionar o treinamento de um modelo baseado em WiFi (Aluno). Durante a fase de teste, a rede Aluna opera de forma independente, prevendo poses diretamente de dados CSI brutos sem a necessidade de câmeras.
2. Arquitetura CF-DyNet: O núcleo da rede Aluna é a Rede de Convolução Dinâmica Canal-Frequência (CF-DyNet). Esta sub-rede utiliza um novo módulo CF-DyConv projetado para abordar as limitações da Convolução Dinâmica (DyConv) padrão, que tipicamente atende apenas ao domínio do canal.
   • Atenção de Domínio Duplo: O CF-DyConv aplica mecanismos de atenção em ambas as dimensões de frequência e canal dos dados de CSI. Ele emprega um mecanismo estilo Squeeze-and-Excitation (SE) para gerar pesos de atenção ($\alpha_f$ e $\alpha_c$) para as características de frequência e canal, respectivamente.
   • Geração de Kernel Dinâmico: Esses pesos de atenção são usados para ajustar e ponderar dinamicamente os kernels convolucionais. A saída é computada pela agregação de múltiplos kernels ponderados por sua importância na captura de padrões específicos de frequência e canal, permitindo que o modelo foque adaptativamente em assinaturas espectrais informativas relacionadas às posições das articulações.
3. Otimização de Hiperparâmetros: Para evitar a dependência de ajustes heurísticos, o framework emprega o algoritmo Estimador de Parzen por Estrutura de Árvore (TPE). Este método otimiza eficientemente hiperparâmetros críticos, especificamente a razão de redução ($r$) e a temperatura ($\tau$) do mecanismo de atenção, bem como parâmetros estruturais como tamanho de lote (batch size) e tamanho de kernel.
4. Função de Perda: O modelo é treinado usando uma perda de Erro Quadrático Médio (MSE) entre os pontos-chave (keypoints) previstos e a verdade fundamental (ground truth) fornecida pela rede professora, aproveitando a alta granularidade dos dados de CSI.

Principais Contribuições

• Arquitetura CF-DyConv: A introdução de uma arquitetura convolucional leve que aprende kernels dinamicamente ao explorar tanto os domínios de canal quanto de frequência. Esta abordagem diversifica os kernels para melhorar as capacidades de reconhecimento sem adicionar complexidade significativa, abordando as características específicas dos dados de CSI de curto frame.
• Busca Eficiente de Hiperparâmetros: A aplicação do algoritmo TPE para otimizar automaticamente as sub-redes CF-DyNet, reduzindo o tempo necessário para a busca de hiperparâmetros em comparação com métodos tradicionais.
• Modelo Leve de Alto Desempenho: O desenvolvimento de um sistema que alcança desempenho SOTA em datasets padrão mantendo um baixo número de parâmetros (aprox. 1,78M para MM-Fi e 3,49M para WiPose) e baixa sobrecarga computacional (FLOPs), tornando-o adequado para dispositivos WiFi comuns.

Resultados Experimentais
Os autores avaliaram o WiLHPE em dois datasets públicos: MM-Fi e WiPose.

• Dataset MM-Fi: O WiLHPE alcançou 85,96% de PCK50 e 79,22% de PCK40. Superou benchmarks SOTA como o MetaFi++ (melhorando o PCK50 em ~2%) e o WiLDAR, enquanto exigiu significativamente menos recursos (menos de 1/15 da complexidade do MetaFi++).
• Dataset WiPose: O modelo alcançou 94,27% de PCK50 e 89,41% de PCK20, superando todos os esquemas de benchmark comparados (incluindo PerUnet e MetaFi++) em todas as métricas (PCK, MPJPE, PA-MPJPE).
• Robustez: Sob Ruído Gaussiano Branco Aditivo (AWGN) com variância $\sigma^2_e = 0,5$, o WiLHPE manteve aproximadamente 80% de PCK50, superando significativamente as CNNs básicas que caíram para ~60%. Da mesma forma, sob ataques adversários (FGSM-U-N), o modelo demonstrou estabilidade superior em comparação com baselines não dinâmicos.
• Estudos de Ablação: Experimentos confirmaram que a atenção de domínio duplo (CF-DyConv) superou significativamente as CNNs padrão, SENet, SKConv e a DyConv de domínio único. A configuração ideal foi encontrada com uma razão de redução ($r$) de 16 e uma temperatura ($\tau$) de 30.

Significância
O artigo afirma que o WiLHPE representa um passo significativo para a implantação prática da detecção humana via WiFi em cenários do mundo real. Ao equilibrar com sucesso a estimativa de pose de alta precisão com uma arquitetura de rede neural leve e eficiente, o framework supera as limitações de hardware e computação de abordagens de RF anteriores. Os autores asseguram que seu método permite o uso de dispositivos WiFi comuns para o monitoramento de atividades humanas de granularidade fina e preservação de privacidade em ambientes como casas inteligentes e sistemas de monitoramento de saúde, sem a necessidade de equipamentos especializados caros ou sensores vestíveis intrusivos.