Jan, 2024

AI 助力的 WiFi 室内成像革命

PDF
TL;DRWiFi 作为无处不在的信号是进行室内成像和同步最新信息给所有连接设备的一个有前景的选择。该研究工作首次将 WiFi 室内成像视为一个多模式图像生成任务，将测量得到的 WiFi 功率转换为高分辨率的室内图像。我们提出的 WiFi-GEN 网络实现的形状重构准确性是物理模型反演方法的 275％，此外，Frechet Inception Distance 得分减少了 82％。为了检验模型在这个任务中的有效性，我们发布了第一个大规模数据集，其中包含了 8 万对 WiFi 信号和成像目标。我们的模型将非线性、病态以及不确定性等挑战吸收到我们的生成 AI 网络的大量参数中，并且还设计了最佳拟合测得的 WiFi 信号和所需的成像输出。为了可复现性，我们将在接受后发布数据和代码。
indoor imagingwifimulti-modal image generationwifi-gen networkshape reconstruction accuracy
发现论文，激发创造
  • 基于 WiFi 信道状态信息的穿墙成像

    使用 WiFi Channel State Information（CSI）进行图像合成，通过墙壁场景下的图像监测方法来改进 WiFi CSI 的可解释性并实现基于图像的下游任务，如视觉活动识别。

    Jan, 2024

  • 利用 Wi-Fi 信号实现人体轮廓和骨架视频合成

    本文提出了一种利用无线电信号生成可见光图像的新方法，采用双分支生成神经网络使用跨模态监督策略对视觉域内的基于信号的特征进行条件化，最终仅使用 Wi-Fi 信号成功地合成了人类轮廓和骨架视频。

    Mar, 2022

  • Person-in-WiFi: 使用 WiFi 进行细粒度人员感知

    本研究通过将人体反射 WiFi 信号进行深度学习处理，在不受光照和隐私问题干扰的前提下，使用低成本的 WiFi 线路板实现了对人体细粒度的感知。

    Mar, 2019

  • 运用深度学习技术进行 WiFi 指纹的低投入场所辨识

    本文研究使用深度神经网络来提高室内定位系统的可靠性和准确性，以 WiFi 信号为主要定位模式，并利用 UJIIndoorLoc 数据集进行实验和验证。

    Nov, 2016

  • ViWi: 用于视觉辅助无线通信的深度学习数据集框架

    本文介绍了一种利用 3D 建模和射线跟踪软件生成高保真合成无线电和视觉数据样本的 Vision-Wireless 数据集框架。该框架旨在为新的机器学习算法提供一种生成训练和测试数据集的方式，并帮助评估不同算法的质量。

    Nov, 2019

  • 深度非直视线重建

    本文采用卷积前馈神经网络来解决超出直线视野成像中的复杂非线性细节重建问题，能够高效地生成大量的训练数据。实验结果表明，我们的前向传播网络，即使仅在合成数据上训练，也能推广到 SPAD 传感器的测量数据，并能够获得与基于模型的重建方法相媲美的结果。

    Jan, 2020

  • AutoFi：基于几何自监督学习的自动 WiFi 人体感知技术

    本文提出了一种基于新颖的几何自监督学习算法的自动 WiFi 感知模型 AutoFi，该模型可以利用不需要额外标注的低质量 CSI 样本进行学习，并将学习的知识传递到特定的用户定义任务中进行交叉任务转移，从而实现自动的 WiFi 感知。在人类步态识别任务和公共数据集上，AutoFi 实现了领先的性能，并展示了跨任务学习的能力。

    Apr, 2022

  • 使用卷积神经网络识别无线干扰

    本文提出了基于深度卷积神经网络的无线干扰识别方法，该方法在信噪比至少为 - 5 dB 时具有大于 95％的分类准确性，适用于 IEEE 802.11 b /g，IEEE 802.15.4 和 IEEE 802.15.1 网络的重叠频率通道。

    Mar, 2017

  • 通过环境无线线索在野外进行人脸识别的自主学习

    本研究提出使用智能无线设备作为监督标签，通过 AutoTune 技术学习并完善人脸识别系统，实现无需用户干预的特定环境下不断演进的面部识别系统。

    Aug, 2019

  • 利用机器学习和深度图像预测毫米波网络的主动接收功率

    本研究通过利用时空视觉传感信息，展示了主动接收功率预测在可靠毫米波网络中的可行性。通过使用摄像头图像和机器学习，该机制可以预测从下一时刻到几百毫秒后的接收功率时间序列。通过卷积 LSTM 的使用，该机制可以在不到 3ms 的推理时间内，以 3.5 dB 的均方根误差预测接收功率的时间序列高达 500ms。

    Mar, 2018