基于位置编码的多住户智能家居居民识别

Oct, 2023

基于位置编码的多住户智能家居居民识别

Positional Encoding-based Resident Identification in Multi-resident Smart Homes

Zhiyi Song, Dipankar Chaki, Abdallah Lakhdari, Athman Bouguettaya

TL;DR我们提出了一种新颖的居民识别框架，用于在多居住者智能环境中识别居民。该框架利用了基于位置编码概念的特征提取模型，该模型将住宅位置视为一个图形。我们设计了一种新颖的算法，从智能环境的布局图构建这样的图形。Node2Vec 算法用于将图形转换为高维节点嵌入。引入了长短期记忆（LSTM）模型，使用节点嵌入与传感器事件的时间序列来预测居民的身份。大量的实验证明我们提出的方案有效地在多居住者环境中识别居民。两个实际数据集的评估结果分别达到 94.5％和 87.9％的准确率。

Abstract

We propose a novel resident identification framework to identify residents in a multi-occupant smart environment. The proposed framework employs a feature extraction model based on the concepts of →

resident identification framework multi-occupant smart environment positional encoding graph-based feature extraction model long short-term memory (lstm) model

发现论文，激发创造

基于生成式居民分离和多标签分类的多人活动识别

本文介绍了两种模型，用于解决家庭环境中使用环境传感器进行多人活动识别的问题。第一种模型 Seq2Res 使用序列生成方法来分离来自不同居民的传感器事件。第二种模型 BiGRU+Q2L 使用 Query2Label 多标签分类器同时预测多种活动。这些模型的性能与先进模型在不同的实验场景中进行比较，使用先进数据集，在一个装有环境传感器的家中有两个居民。这些结果引发了关于居民分离和多标签分类对于多人活动识别的优缺点的讨论。

Apr, 2024

基于多图表示学习框架的城市区域剖析

提出了一种名为 Region2Vec 的多图表示学习框架，用于城市区域分析，可以捕捉地理上下文信号和区域间的联系，同时用于表示区域内部信息的知识图谱。使用编码器 - 解码器多图融合模块来联合学习综合表示。在现实世界数据集上的实验证明，Region2Vec 可以在三个应用程序中使用，并优于所有其他基线。特别地，Region2Vec 在具有高方差社会经济属性的区域中的表现优于先前的研究。

Feb, 2022

基于时序残差学习的视频行人重识别

本文提出了一种新颖的特征学习框架，用于视频中的人物再辨识，主要利用视频序列中的适当时间信息和解决运动行人的空间对齐问题，并设计了一个时间残差学习（TRL）模块和一个空间 - 时间转换器网络（ST^2N）模块。经过广泛实验验证，提出的方法在各大数据集上都取得了一致优秀的表现，并超越了绝大多数最新的最先进方法。

Feb, 2018

一种姿态敏感的个体再识别嵌入式表征方法：扩展的交叉领域再排序

本文提出了一种有效的人物再识别方法，结合了 fine 和 coarse pose 信息的卷积神经网络，同时提出了一种新的无监督自动重排架构，取得了优异的效果。

Nov, 2017

利用网格细胞进行空间特征分布的多尺度表示学习

提出了一个名为 Space2Vec 的表示学习模型，用于将地点的绝对位置和空间关系进行编码，并在地理数据和图像分类两个任务上得到了比径向基函数和多层前馈神经网络等传统机器学习方法更好的效果，其特点是具有多尺度表示能力。

Feb, 2020

基于深度学习和符号定位技术的室内定位方法

本文提出了一种针对住宅公寓设计的新型室内定位方法，利用服务于移动网络的 eNodeB 发射的信号，取消了专业定位基础设施的需求，并利用降噪自编码器对细胞信号丢失的影响进行缓解。通过在代表性的 8 个符号空间的一个典型公寓内收集两部不同智能手机的真实数据来评估该方法的性能，实验结果验证了该方法在各种性能指标上优于传统的符号室内定位技术。为了促进复制性和推动新的研究工作，我们公开了与这项工作相关的所有数据和代码。

Sep, 2020

使用低分辨率智能电表数据的混合 Transformer-RNN 架构进行家庭占用检测

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

一个基于 Transformer 的 POI 级社交帖地理定位框架

提出了基于 Transformer 的社交媒体 POI 级地理位置推测通用框架，考虑非文本数据，优化特征表示及位置捕捉，实验结果证明该框架在多项指标上均优于多种先进基线。

Oct, 2022

位置编码帮助递归神经网络处理大词汇量

该研究讨论位置编码对递归神经网络（RNN）的影响，利用合成基准测试。位置编码在时间序列中 “时间戳” 数据点，并且补充了 Transformer 神经网络的能力，因为其缺乏表示数据顺序的内在机制。与此相反，RNN 可以自行对数据点进行时间信息编码，使其对位置编码的使用似乎显得 “冗余”。然而，实证调查结果表明，即使与 RNN 结合使用，在处理产生多样观察结果的大词汇量时，位置编码仍然有效。这些发现开辟了关于 RNN 的新的研究方向，涉及输入驱动和自主时间表征的组合。此外，还讨论了计算 / 仿真结果在生物学上的含义，以及位置编码的正弦实现和生物脑中的神经振荡之间的相似之处。

Jan, 2024

Urban2Vec：结合街景图像和兴趣点的多模态城市社区嵌入

本文提出了一种无监督的 Urban2Vec 多模态框架，利用街景图像和兴趣点数据来学习社区嵌入，使得该模型在下游预测任务中取得了比基线模型更好的性能，并在三个美国大都市地区的广泛实验中展现了模型的可解释性、泛化能力和在社区相似性分析中的价值。

Jan, 2020