基于FSA-YOLOv5的智能家居设备检测算法
本篇论文对设备上的机器学习进行了全面的调查和分类,将On-device Learning问题重新表述为资源受限的学习,如何在设备资源有限的情况下进行模型训练是未来需要关注的重点。
Nov, 2019
本文研究智慧型家居的物聯網(IoT)系統中的安全問題,提出了一種基於雙向長短期記憶(BiLSTM)和卷積神經網絡(CNN)的混合模型的入侵檢測系統,可應用於任何智慧型家居網關。
May, 2021
本文介绍了智能家居中环境传感器用于人类活动识别的算法、进展、挑战和分类,并提出了该领域中的问题、研究机会和解决方案。
Oct, 2021
本研究在智能家居安装中探索电器电能使用作为检测居民是否在家的手段,通过非侵入式的消耗功率分解方法,该方法在 UK-DALE 数据集上进行了机器学习算法的评估,结果表明电器电能使用是检测家庭居住与否的可行方法之一。
Mar, 2022
使用低成本微控制器和TinyML技术,本研究创建了一个机器学习模型来检测家庭内部潜在的早期反社会行为预警。该模型使用卷积神经网络分析音频数据来判断门是否被强行关闭,准确度为88.89%。并成功将该模型部署到了一块Arduino Nano BLE 33 Sense的门上,仅在检测到大于预定的阈值加速度时开始采样。
Oct, 2022
提出了一种利用深度学习解决非侵入式负载监测(NILM)问题的方法,包括解决家用和场地级别的 NILM 问题以及家电识别等相关问题,利用低频 REED 数据集和 REFIT 数据集对模型进行训练和测试,能够达到最高 94.6% 的准确率,为实现节能方案提供参考。
Jan, 2023
本文提出了一种使用Wi-Fi信号中的信道状态信息进行人体存在检测的深度学习模型,并结合静态特征以提高静态状态下检测的准确性,在一系列的评估中展示出比其他模型更高的准确率且更具稳定性。
Apr, 2023
我们的研究旨在开发一种在当代生活环境中对住宅占用进行隐私保护和有效检测的模型,利用基于深度学习技术的混合Transformer-RNN模型,使用每小时的智能电表数据,在具有不同特征的住户中实现近92%的准确度,并通过与最先进的模型(包括基于注意力的占用检测方法)的比较验证了其有效性。
Aug, 2023
通过学习传感器之间的显式共同触发关系,我们提出了一种新颖的图导向神经网络方法,该方法通过将离散的输入传感器测量映射到特征空间,应用注意机制和节点嵌入的分层汇聚,在CASAS数据集上进行实验证明了我们提出的方法在智能家居人体活动识别方面优于现有方法,并将其推向更接近真实世界应用的方向。
Nov, 2023
本研究解决了室内环境实时目标检测中的独特挑战,如照明变化和复杂背景,提出了一种新的数据集和改进的CNN检测模型。该模型通过引入注意力机制,显著提升了对重要特征的辨识和优先级处理能力,结果显示该方法在准确性和速度上与现有的先进模型竞争,具有重要的研究和应用潜力。
Sep, 2024