CN114676739A - 一种基于Faster-RCNN的无线信号的时序动作检测和识别方法 - Google Patents
一种基于Faster-RCNN的无线信号的时序动作检测和识别方法 Download PDFInfo
- Publication number
- CN114676739A CN114676739A CN202210595920.7A CN202210595920A CN114676739A CN 114676739 A CN114676739 A CN 114676739A CN 202210595920 A CN202210595920 A CN 202210595920A CN 114676739 A CN114676739 A CN 114676739A
- Authority
- CN
- China
- Prior art keywords
- action
- data
- candidate
- network
- csi
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000009471 action Effects 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000013461 design Methods 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 8
- 230000001360 synchronised effect Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000012937 correction Methods 0.000 claims description 2
- 238000011160 research Methods 0.000 abstract description 3
- 230000000007 visual effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 230000008447 perception Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
- H04W84/10—Small scale networks; Flat hierarchical networks
- H04W84/12—WLAN [Wireless Local Area Networks]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于Faster‑RCNN的无线信号的时序动作检测和识别方法,将视觉领域的Faster‑RCNN框架引入到无线感知领域,根据无线WiFi数据的特点,设计适用于无线信号时序序列的网络框架,同步实现动作检测和分类任务,保障无源感知的效率和精度,为基于WiFi的感知问题,提供了新的研究思路。
Description
技术领域
本发明涉及无线信号行为感知技术领域,具体是涉及一种基于Faster-RCNN的无线信号的时序动作检测和识别方法。
背景技术
随着无线通信技术的迅速发展,无线网络在全球范围内广泛普及,利用泛在无线信号(如WiFi信号)进行环境的人员感知成为一个研究热点。
基于WiFi信号的感知往往需要首先从整个时间序列中提取动作区域,进而完成基于动作区域的行为识别任务。针对无线信号的动作检测,现有的工作大多采用滑窗方式,利用固定大小的窗口在通道状态信息(CSI)时序数据序列上滑动,比较窗口内序列累计变化值和预设的阈值,判断动作的起始点和结束点;进一步利用机器学习算法,完成动作区域的类别识别。对于无线感知领域而言,目前这些方法虽然能够实现无线感知,但其主要基于阈值检测和进一步识别,检测的结果依赖于阈值的设定,而阈值很难设定准确,不同的数据集需要根据数据特点设定不同的阈值;往往初步检测完,还需要进一步调整,没有一个可推广的适用于所有数据集的普适性方法;并且检测和识别任务分离,现有技术中还没有一个同时可实现CSI数据样本级检测和识别的框架,现有方法中的感知模型存在可靠性差、效率低的问题。
发明内容
为解决上述技术问题,本发明提供了一种基于Faster-RCNN的无线信号的时序动作检测和识别方法,该方法将视觉领域的Faster-RCNN框架引入到无线感知领域,设计适用于无线信号时序序列的网络框架,同步实现动作检测和分类任务,不依赖于人为设定的经验值,有效保证检测识别的效率和精度。
本发明所述的一种基于Faster-RCNN的无线信号的时序动作检测和识别方法,包括如下步骤:
步骤1、在室内场景中采集不同动作的WiFi信号并提取通道信号状态信息CSI数据作为样本,对每个样本打上类别标签并标记动作的起点、终点时刻,并将样本划分为训练集合测试集;
步骤2、将训练集的数据输入到主干特征提取网络中,生成一维特征向量;
步骤3、将所述一维特征向量输入到候选区域网络中,生成候选动作区域;
步骤4、将候选动作区域输入到池化层,池化为统一大小特征;
步骤5、利用个预测网络判断池化特征对应区域的动作类别及修正动作框;
步骤6、训练网络模型,并将测试样本输入到训练好的模型中,直接输出测试样本的动作类别和起止点,实现同步的动作识别和检测。
进一步的,步骤1具体为,利用无线路由器作为WiFi发射器,配有Intel 5300的PC机作为接收器,采集无线信号的CSI数据,并采用巴特沃斯低通滤波预处理数据;同时采集视频数据,利用视频数据观察动作起始和结束时间,进而作为CSI数据的起止动作时间点标签;对CSI样本打上类别标签,将采集的无线数据按照一定的比例划分为训练集和测试集。
进一步的,步骤2具体为,将CSI时序序列的通道作为特征通道,设计主干特征提取网络,并将训练数据输入该网络中,将原始的CSI数据变换成一维特征图。
进一步的,步骤3中,所述候选区域网络为全卷积神经网络,输入一维特征向量后,生成一批候选动作区域。
进一步的,步骤4中,采用池化方法将不同长度的候选框内特征转化成相同维度的特征向量。
进一步的,步骤5中,所述预测网络包含分类层和回归层,输出候选动作框类别及偏移量,并利用偏移量对候选动作框进行修正。
进一步的,将样本数据、类别标签、起止点位置分别输入到上述网络中,进行模型训练;将测试集中的样本输入到训练好的模型中,直接输出测试样本的动作类别和起止点,实现同步的动作识别和检测。
本发明所述的有益效果为:本发明将视觉领域的Faster RCNN框架引入到无线感知领域,因视频是三维信息,而CSI数据是二维信息,二者数据维度、内容等特性不同,CSI无法像视频数据那样用关键帧来刻画样本;因此本发明以Faster RCNN为基础,根据无线WiFi数据的特点,针对检测和识别任务,设计多层网络结构,重新设计主干特征提取网络,生成沿着时间维度的1D特征向量,逐点扫描该特征图,并以该点为中心,设计长短不同的一维锚框,同时构建损失函数即分类层和回归层,端对端同步实现CSI的动作检测和识别,保障无源感知的效率和精度。此外,本发明还为基于WiFi的感知问题,提供了新的研究思路。
附图说明
图1为本发明实施例中基于Faster-RCNN的无线信号的时序动作检测和识别方法基本框架图;
图2为本发明实施例中基于Faster-RCNN的无线信号的时序动作检测和识别方法的流程图;
图3为本发明实施例中主干特征提取网络的结构图;
图4为本发明实施例中候选框网络的结构图;
图5为本发明实施例中预测网络的结构图;
图6为本发明所述的检测和识别方案效果图。
具体实施方式
为了使本发明的内容更容易被清楚地理解,下面根据具体实施例并结合附图,对本发明作进一步详细的说明。
如图1所示,本发明所述的一种基于Faster-RCNN的无线信号的时序动作检测和识别方法,包括如下步骤:
步骤1、在室内场景中采集不同动作的WiFi信号并提取通道信号状态信息CSI,对每个样本打上类别标签并标记动作的起点、终点时刻,同时划分训练集和测试集;
步骤2、将训练集的数据输入到主干特征提取网络中,生成一维特征向量;
步骤3、将一维特征向量输入到候选区域网络中,生成候选动作区域;
步骤4、将候选动作区域输入到池化层,池化为统一大小的特征;
步骤5、利用预测网络判断池化特征对应区域区域的动作类别及修正预测动作框。
步骤6、训练网络模型,并将测试样本输入到训练好的模型中,直接输出测试样本的动作类别和起止点,实现同步的动作识别和检测。
如图2所示,其为本发明实施例基于Faster-RCNN的无线信号的时序动作检测和识别方法的流程图。
在步骤1中,利用无线路由器作为WiFi发射器,配有Intel 5300的PC机作为接收器,采集无线信号的CSI数据,并采用巴特沃斯低通滤波预处理数据,巴特沃斯低通滤波器的表示如下:
同时采集视频数据,利用视频数据观察动作起始和结束时间,进而作为CSI数据的动作时间点标签;此外,对CSI样本打上类别标签。将采集的无线数据按照一定的比例划分为训练集和测试集。
在步骤2中,原始的CSI数据表示为,其中和分别表示为CSI信道的通道数和时间维度。由于两个维度的语义不一致,且为了进一步提取时间维度动作区域,将原始数据的形状变换为,将视为特征通道数,沿着时间轴方向设计多层1D卷积神经网络用于提取主干特征,主干特征提取网络遵循如图3所示AlexNet的整体结构。其中第一个卷积层具有尺寸为11*1的卷积核,stride设置为(4,1),padding尺寸为(2,0),随后使用MaxPooling层,其重叠大小为3*1,stride设置为(2,1);第二个卷积层具有尺寸为5*1的卷积核,stride均为1,padding尺寸为(2,0);第三个卷积层具有尺寸为3*1的卷积核,stride设置为1,padding尺寸为(1,0)。
在步骤3中,将一维特征向量的所有特征点全部作为锚点,以锚点为中心,设置多组长短不同的一维锚框。利用如图4所示的候选区域网络生成候选框为动作区域的置信度以及锚框偏移量,根据偏移量修正锚框,作为候选动作框。图4第一个卷积层head采用3*3的内核,步长和零填充均为1。随后是两个同级的卷积层,分类层cls和回归层reg,分别用于分类任务和回归任务,其卷积核和步长都为1。
假设每个锚框的偏移系数为,其中表示锚框中心点的线性偏移量,表示锚框宽度的非线性缩放量;根据锚框和偏移系数,分别对候选框中心和长度分别进行尺度不变的变换和对数空间变换,生成修正后的锚框。假设锚框表示锚框中心的坐标和宽度,候选动作框的生成可由以下公式表示:
在步骤4中,为了统一候选动作框的特征维度,利用RoI对齐池化方法将各候选动作框变化成统一长度,以便后续批次处理。
在步骤5中,将池化后的特征输入到如图5所示的预测网络中,获取候选建议框中动作类别和建议框偏移量,实现动作分类和检测。图5包含一个平滑层、两个全连接层和两个同级的全连接层,输入到预测网络中的特征图首先经过Flatten层平铺为一维特征向量;接着是两个输出通道数为512的全连接层,其后都使用ReLU激活函数;最后两个同级的全连接层分别进行动作分类和动作框位置回归。
在步骤6中,将样本数据、类别标签、起止点位置分别输入到上述网络中,进行模型训练。将测试样本输入到训练好的模型中,直接输出测试样本的动作类别和起止点,实现同步的动作识别和检测。检测和识别效果举例如图6所示,示例图上方显示预测的动作标签prediction、真实的动作标签groudtruth;图6中的(a)、(b)、(c)、(d)四个小图分别为动作box、checkWatch、clap和pick的效果图,其中白色框为真实动作框,黑色框为模型预测的动作框。
以上所述仅为本发明的优选方案,并非作为对本发明的进一步限定,凡是利用本发明说明书及附图内容所作的各种等效变化均在本发明的保护范围之内。
Claims (7)
1.一种基于Faster-RCNN的无线信号的时序动作检测和识别方法,其特征在于,所述方法包括如下步骤:
步骤1、在室内场景中采集不同动作的WiFi信号并提取通道信号状态信息CSI数据作为样本,对每个样本打上类别标签并标记动作的起点、终点时刻,并将样本划分为训练集合测试集;
步骤2、将训练集的数据输入到主干特征提取网络中,生成一维特征向量;
步骤3、将所述一维特征向量输入到候选区域网络中,生成候选动作区域;
步骤4、将候选动作区域输入到池化层,池化为统一大小特征;
步骤5、利用预测网络判断池化特征对应区域的动作类别及修正动作框;
步骤6、训练网络模型,并将测试样本输入到训练好的模型中,直接输出测试样本的动作类别和起止点,实现同步的动作识别和检测。
2.根据权利要求1所述的一种基于Faster-RCNN的无线信号的时序动作检测和识别方法,其特征在于,步骤1具体为,采集无线信号的CSI数据,并采用巴特沃斯低通滤波预处理数据;同时采集视频数据,利用视频数据观察动作起始和结束时间,进而作为CSI数据的起止动作时间点标签;对CSI样本打上类别标签,将采集的无线数据按照一定的比例划分为训练集和测试集。
3.根据权利要求1所述的一种基于Faster-RCNN的无线信号的时序动作检测和识别方法,其特征在于,步骤2具体为,将CSI时序序列的通道作为特征通道,设计主干特征提取网络,并将训练数据输入该网络中,将原始的CSI数据变换成一维特征图。
4.根据权利要求1所述的一种基于Faster-RCNN的无线信号的时序动作检测和识别方法,其特征在于,步骤3中,所述候选区域网络为全卷积神经网络,输入一维特征向量后,生成一批候选动作区域。
5.根据权利要求1所述的一种基于Faster-RCNN的无线信号的时序动作检测和识别方法,其特征在于,步骤4中,采用池化方法将不同长度的候选框内特征转化成相同维度的特征向量。
6.根据权利要求1所述的一种基于Faster-RCNN的无线信号的时序动作检测和识别方法,其特征在于,步骤5中,所述预测网络包含分类层和回归层,输出候选动作框类别及偏移量,并利用偏移量对候选动作框进行修正。
7.根据权利要求1所述的一种基于Faster-RCNN的无线信号的时序动作检测和识别方法,其特征在于,将样本数据、类别标签、起止点位置分别输入到上述网络中,进行模型训练;将测试集中的样本输入到训练好的模型中,直接输出测试样本的动作类别和起止点,实现同步的动作识别和检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210595920.7A CN114676739B (zh) | 2022-05-30 | 2022-05-30 | 一种基于Faster-RCNN的无线信号的时序动作检测和识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210595920.7A CN114676739B (zh) | 2022-05-30 | 2022-05-30 | 一种基于Faster-RCNN的无线信号的时序动作检测和识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114676739A true CN114676739A (zh) | 2022-06-28 |
CN114676739B CN114676739B (zh) | 2022-08-19 |
Family
ID=82081067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210595920.7A Active CN114676739B (zh) | 2022-05-30 | 2022-05-30 | 一种基于Faster-RCNN的无线信号的时序动作检测和识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114676739B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116012953A (zh) * | 2023-03-22 | 2023-04-25 | 南京邮电大学 | 一种基于csi的轻量级双任务感知方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108399380A (zh) * | 2018-02-12 | 2018-08-14 | 北京工业大学 | 一种基于三维卷积和Faster RCNN的视频动作检测方法 |
CN111291699A (zh) * | 2020-02-19 | 2020-06-16 | 山东大学 | 基于监控视频时序动作定位和异常检测的变电站人员行为识别方法 |
US20210034927A1 (en) * | 2019-07-29 | 2021-02-04 | Robert Bosch Gmbh | Apparatus and method for person detection, tracking, and identification utilizing wireless signals and images |
CN113723221A (zh) * | 2021-08-11 | 2021-11-30 | 西安交通大学 | 基于WiFi信道状态信息的室内行为实时识别方法及系统 |
-
2022
- 2022-05-30 CN CN202210595920.7A patent/CN114676739B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108399380A (zh) * | 2018-02-12 | 2018-08-14 | 北京工业大学 | 一种基于三维卷积和Faster RCNN的视频动作检测方法 |
US20210034927A1 (en) * | 2019-07-29 | 2021-02-04 | Robert Bosch Gmbh | Apparatus and method for person detection, tracking, and identification utilizing wireless signals and images |
CN111291699A (zh) * | 2020-02-19 | 2020-06-16 | 山东大学 | 基于监控视频时序动作定位和异常检测的变电站人员行为识别方法 |
CN113723221A (zh) * | 2021-08-11 | 2021-11-30 | 西安交通大学 | 基于WiFi信道状态信息的室内行为实时识别方法及系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116012953A (zh) * | 2023-03-22 | 2023-04-25 | 南京邮电大学 | 一种基于csi的轻量级双任务感知方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114676739B (zh) | 2022-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10540531B2 (en) | Image identification method, terminal and non-volatile storage medium | |
CN112733609B (zh) | 一种基于离散小波变换的领域自适应Wi-Fi手势识别方法 | |
CN112861575A (zh) | 一种行人结构化方法、装置、设备和存储介质 | |
CN107862295A (zh) | 一种基于WiFi信道状态信息识别面部表情的方法 | |
CN110502962B (zh) | 视频流中目标的检测方法、装置、设备和介质 | |
CN103020992A (zh) | 一种基于运动颜色关联的视频图像显著性检测方法 | |
CN108734200B (zh) | 基于bing特征的人体目标视觉检测方法和装置 | |
CN112766218B (zh) | 基于非对称联合教学网络的跨域行人重识别方法和装置 | |
CN111401293A (zh) | 一种基于Head轻量化Mask Scoring R-CNN的手势识别方法 | |
CN114676739B (zh) | 一种基于Faster-RCNN的无线信号的时序动作检测和识别方法 | |
CN111414910A (zh) | 基于双重卷积神经网络的小目标增强检测方法和装置 | |
CN116343261A (zh) | 基于多模态特征融合与小样本学习的手势识别方法和系统 | |
Sheng et al. | An accurate device-free action recognition system using two-stream network | |
CN104966095A (zh) | 图像目标检测方法及装置 | |
CN114639169A (zh) | 基于注意力机制特征融合与位置无关的人体动作识别系统 | |
CN113628252A (zh) | 一种基于热成像视频的泄漏气体云团检测方法 | |
CN116580289A (zh) | 一种基于注意力的细粒度图像识别方法 | |
Guangjing et al. | Research on static image recognition of sports based on machine learning | |
CN115100733A (zh) | Rfid手势识别方法、计算机装置、产品及存储介质 | |
CN115830705A (zh) | 一种基于WiFi信道状态信息成像的人体动作识别方法、系统、设备及可读存储介质 | |
CN115424293A (zh) | 活体检测方法、活体检测模型的训练方法及装置 | |
CN112836670A (zh) | 基于自适应图网络的行人动作检测方法及装置 | |
Elujide et al. | A real-time object detection for WiFi CSI-based multiple human activity recognition | |
CN116012953B (zh) | 一种基于csi的轻量级双任务感知方法 | |
CN117496362B (zh) | 基于自适应卷积核和级联检测头的土地覆盖变化检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |