Oct, 2023

特征金字塔双向 LSTM：利用智能手机传感器进行交通方式检测

PDF
TL;DR提出了一种新颖的端到端方法，能够有效地探索从智能手机收集到的减少数量的感知数据，以实现在日常出行活动中准确的模式检测。通过将现有的 CNN biLSTM 模型扩展为 Feature Pyramid 网络，结合浅层富度与深层特征韧性的优势，FPbiLSTM 在检测各种交通模式的 2018 年 Sussex-Huawei Locomotion（SHL）挑战数据集上表现出优秀的性能，只使用了七个传感器中的三个（加速计、陀螺仪和磁力计），达到了 95.1％的值得注意的准确度和 94.7％的 F1 得分。
发现论文，激发创造
  • 利用浅层循环解码网络对任意移动传感器轨迹进行完全状态重建

    利用深度学习架构，通过将动态轨迹信息映射到完整的状态空间估计，演示了基于传感器轨迹的移动传感器的网络模型在感知任务中的出色性能。

    Jul, 2023

  • 具有时间感知特征图的移动视频物体检测

    本文提出了基于反复卷积结构的在线物体检测模型，并使用瓶颈长短时记忆层来降低计算成本。该模型在移动 CPU 上实现了 15 FPS 的实时推断速度。

    Nov, 2017

  • 基于视觉与惯性传感器数据的新型二流决策级融合技术，用于自动多模态人类活动识别系统

    本文提出了一种新颖的多模态人体活动识别系统，并使用了两种流的决策级融合来融合视觉和惯性传感器的信息，通过此方法准确率远高于现有的最先进方法。

    Jun, 2023

  • IDOL：惯性深度方向估计和定位

    本论文提出了一种基于数据驱动的二阶段流程，首先估计设备的朝向，然后估计设备的位置。该流程使用普通智能手机，并依赖于循环神经网络和扩展卡尔曼滤波器来获得朝向实现定位。研究表明，我们提出的方法在定位和朝向误差方面优于现有方法。

    Feb, 2021

  • 基于智能手机在野外进行的深度学习步态识别

    使用智能手机的惯性传感器，以无约束状态采集步态数据，通过深度学习技术学习建模，提出了一种有效的步态识别方法，使得人员身份鉴别和认证性能高于 93.5% 和 93.7%。

    Nov, 2018

  • 使用 LSTM-DeepLabv3 + 和贝叶斯优化进行时空特征融合以改善城市洪涝预测

    本研究提出了基于 CNN-RNN 混合特征融合建模的城市洪水预测方法。通过结合卷积神经网络在处理空间特征方面的优势和循环神经网络在分析不同时间序列维度方面的优势，实现了静态和动态洪水预测。通过贝叶斯优化，最佳的混合模型被确定为 LSTM-DeepLabv3+，在各种雨量输入条件下都取得了最高的预测精度。该模型的推理时间大大提高，相对于基于物理的模型的传统计算时间约为 1 / 125。

    Apr, 2023

  • Bio-LSTM: 一种仿生学启发的循环神经网络，用于 3D 行人姿态和步态预测

    本文介绍了一种仿生神经网络 (Bio-LSTM)，其能够预测行人的全局坐标系中的位置和三维关节姿态，在考虑先前帧的 3D 姿态和位置时，对于多名不同行人同时进行预测，以及在城市路口范围内达到 45 米。这篇论文通过 PedX 数据集的实际应用表明，该网络可以成功学习行人步态的特征，并产生准确和一致的 3D 姿态预测。

    Sep, 2018

  • 基于低速加速度和定位信号的交通方式识别与注意力多实例学习网络

    该研究论文聚焦于交通方式识别，并提出了一种将惯性信号和位置信号结合的有效和稳健的分类器，以识别交通方式。

    Apr, 2024

  • 无线通信的多模态变压器：波束预测案例研究

    本文介绍了一种多模态变压器深度学习框架，用于辅助感知的波束预测。通过使用卷积神经网络从一系列图像、点云和雷达原始数据中提取特征，并使用变压器编码器学习不同模态和时间实例之间的隐藏关系，生成下一级特征提取的编码向量。通过在不同模态的组合上进行监督学习来训练模型，实验结果表明，使用图像和 GPS 数据训练的解决方案在预测波束的距离准确率方面表现最佳，为 78.44％，并具有有效的推广性。

    Sep, 2023

  • DeepSense: 一种用于时序移动感知数据处理的统一深度学习框架

    DeepSense 是一个综合性的深度学习框架，能够直接处理移动感应中的噪声和特征自定义挑战。该框架可以应用于广泛的应用，包括汽车追踪、人类活动识别和生物运动分析，大幅优于现有方法。

    Nov, 2016