毫米波 Wi-Fi 访问点的手势识别:经验教训
开发了一种方法,使用生成对抗网络 (GAN) 在现有数据集上生成了 3 万个合成的毫米波通道状态信息(CSI)样本,这些样本与原始数据展现出极高的一致性,将这些增强样本与真实数据结合使用以训练姿势分类模型,观察到增强样本对模型的泛化能力产生了积极的改进。
Jun, 2024
基于 60 GHz FMCW 雷达的轻量级手势识别系统,通过一种瘦身的雷达处理算法提取五个特征,并利用基于循环神经网络的架构实现手势的检测和分类。该系统在嵌入式平台上运行,对内存、计算和功耗有严格要求,达到了 98.4% 的 F1 分数,在 Arm Cortex-M4 微控制器上仅需 280 kB 的闪存空间、120 kB 的 RAM 和 75 mW 的功耗。
Oct, 2023
利用卷积神经网络的人工智能技术和 5G 新无线电设备所产生的波束形态侧信息,对无线电定位技术进行改进,实现了在城市环境下对移动设备的位置估计。
Apr, 2022
本文提出了一种基于 Wi-Fi 信号的人体移动监测技术,通过开发神经网络模型,能够识别人际交互行为并在实时环境下呈现监测结果。
Feb, 2022
本文提出了一种利用基于点云的交叉学习方法(从相机到六十吉赫兹 FMCW 雷达)的长距离(1m-2m)手势识别解决方案,使用动态图卷积神经网络(DGCNN)建模点之间的关系并用双向 LSTM 网络建模时间动态,实验结果表明该模型在五个手势的整体精度达到了 98.4%且具有泛化能力。
Mar, 2022
本研究基于 Wi-Fi CSI 研究人体活动识别,提出一种使用深度学习方法的系统,并比较了卷积神经网络、长短期记忆网络和混合模型的效果,结果表明 LSTM 的平均准确率达到 95.3%,相比 CNN 和混合技术更加有效,未来需要在不同的复杂环境中研究其稳健性。
Apr, 2023
该研究提供了一个包含多个环境、不同硬件、13 个主体和 13 个小时的 IEEE 802.11ac 信道数据集,以测试人体识别和人数统计算法的 WiFi 移动检测技术。
Apr, 2023
本文通过引入 “无特征” 的图像以区分手势的不同特征,并使用卷积神经网络和毫米波雷达等新的数据采集和训练技术,提高静态手势识别的分类准确率,从而将手势的分类准确率从 85% 提高到 93% 和从 90% 提高到 95%。
May, 2023
本文提出了一种利用基于神经网络的信道状态信息指纹技术的定位管道,通过从一个或多个不同步接入点(AP)获得的上行 CSI 测量来实现无线局域网 MIMO-OFDM 系统的室内和室外定位,达到厘米级中位距离误差的性能优化。
Sep, 2020
人机交互与虚拟现实领域中,自动手势识别变得越来越重要。本研究探索了使用合成数据的方法来训练神经网络,以在虚拟现实和人机交互应用中提高手势识别的性能。
Feb, 2024