WiP: Camera-Assisted Training for Radio-Only Indoor Human Sensing
Fragment książki (Materiały konferencyjne)
MNiSW
200
konferencja
| Status: | |
| Autorzy: | Maj Michał, Rymarczyk Tomasz, Cieplak Tomasz, Pliszczuk Damian, Pizoń Jakub |
| Dyscypliny: | |
| Aby zobaczyć szczegóły należy się zalogować. | |
| Wersja dokumentu: | Elektroniczna |
| Język: | angielski |
| Strony: | 1552 - 1555 |
| Bazy: | ACM Digital Library | DBLP Computer Science Bibliography | CORE Ranking | Google Scholar |
| Efekt badań statutowych | NIE |
| Materiał konferencyjny: | TAK |
| Nazwa konferencji: | 32nd Annual International Conference on Mobile Computing and Networking |
| Skrócona nazwa konferencji: | 32nd ACM MobiCom 2026 |
| URL serii konferencji: | LINK |
| Termin konferencji: | 26 października 2026 do 30 października 2026 |
| Miasto konferencji: | Austin |
| Państwo konferencji: | STANY ZJEDNOCZONE |
| Publikacja OA: | TAK |
| Licencja: | |
| Sposób udostępnienia: | Witryna wydawcy |
| Wersja tekstu: | Ostateczna wersja opublikowana |
| Czas opublikowania: | W momencie opublikowania |
| Data opublikowania w OA: | 26 października 2026 |
| Abstrakty: | angielski |
| Indoor radio tomographic sensing enables device-free human detection without relying on cameras, but its limited spatial resolution often leads to ambiguous reconstructions and merged person regions. Prior radio-visual fusion improves multi-person sensing by combining radio tomography with RGB information, yet it requires the camera to remain part of the inference pipeline [1]. This work-in-progress explores camera-assisted training for radio-only indoor human sensing. We use a previously developed multimodal radio-visual model as a teacher that provides spatial supervision during training, while a Vision Transformer student learns to reconstruct a 2D human occupancy representation from radio-derived inputs only. During inference, the student uses a 16×16 radio representation together with the sensitivity matrix, without RGB frames or teacher outputs. Preliminary evaluation on 1,500 training and 500 test cases shows that the radio-only transformer achieves 0.993 precision, 0.883 recall, and 0.935 F1-score, outperforming the RTI baseline while approaching the multimodal teacher. On a Raspberry Pi 4, the end-to-end pipeline reaches 12 FPS, compared with 7-8 FPS for the multimodal approach. |
