CN115801152B - 基于层次化transformer模型的WiFi动作识别方法 - Google Patents
基于层次化transformer模型的WiFi动作识别方法 Download PDFInfo
- Publication number
- CN115801152B CN115801152B CN202310062463.XA CN202310062463A CN115801152B CN 115801152 B CN115801152 B CN 115801152B CN 202310062463 A CN202310062463 A CN 202310062463A CN 115801152 B CN115801152 B CN 115801152B
- Authority
- CN
- China
- Prior art keywords
- layer
- hierarchical
- model
- sample
- data
- 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.)
- Active
Links
- 230000009471 action Effects 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000014509 gene expression Effects 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 15
- 230000000694 effects Effects 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 230000009466 transformation Effects 0.000 claims abstract description 10
- 238000010606 normalization Methods 0.000 claims description 27
- 238000013527 convolutional neural network Methods 0.000 claims description 21
- 230000004913 activation Effects 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 10
- 238000009499 grossing Methods 0.000 claims description 6
- 230000002779 inactivation Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 239000012634 fragment Substances 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 abstract description 9
- 230000006870 function Effects 0.000 description 19
- 230000006399 behavior Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000037081 physical activity Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- Image Analysis (AREA)
- Complex Calculations (AREA)
Abstract
本发明提供一种基于层次化transformer模型的WiFi动作识别方法，通过采集人员在室内场景下的多种动作的WiFi信号，获得CSI数据作为样本数据，并标注活动类别标签后，获得数据集，将数据集划分得到训练集和测试集；构建层次化transformer模型，层次化transformer模型提取局部关联特征，以获得样本的全局特征，并得到样本的最终特征表达后，获得分类标签；获得训练后的层次化transformer模型；将测试集的样本数据输入到训练后的层次化transformer模型，输出人体动作识别的预测结果；该方法能够有效提高无线感知动作识别的精度和效率，且具有更高的可靠性和更强的泛化能力。
Description
技术领域
本发明涉及一种基于层次化transformer模型的WiFi动作识别方法，属于无线信号行为感知技术领域。
背景技术
随着计算机及通信技术的迅速发展，无线网络在全球范围内广泛地普及，利用无线信号如WiFi、毫米波等进行人体行为感知成为了一个研究热点。基于WiFi信号的人体行为感知需要利用收集到的WiFi信号的CSI信息，提取人体动作的特征，从而完成活动感知识别任务。
目前，大多数基于WiFi信号动作识别的工作，未考虑CSI数据的局部和整体时序特性的关联性，进而导致特征辨识力差、感知识别精度低等问题。此外，现有的特征提取模型依赖于大规模的训练样本，人力和计算成本高。
例如，中国发明专利CN201910396091.8公开的一种基于WIFI信道信息的人体行为识别方法，采用的是简单的卷积神经网络模型，同样并未考虑数据之间的关联性和层次性，存在感知识别精度低的问题。
上述问题是在WiFi动作识别过程中应当予以考虑并解决的问题。
发明内容
本发明的目的是提供一种基于层次化transformer模型的WiFi动作识别方法解决现有技术中存在的特征辨识力差、感知识别精度有待提高的问题。
本发明的技术解决方案是：
一种基于层次化transformer模型的WiFi动作识别方法，包括以下步骤，
S1、采集人员在室内场景下的多种动作的WiFi信号，并提取信道状态信息CSI，对信道状态信息CSI进行滤波预处理后，获得CSI数据作为样本数据，并标注活动类别标签后，获得数据集，将数据集划分得到训练集和测试集；
S2、构建层次化transformer模型，将样本数据输入层次化transformer模型，层次化transformer模型提取局部关联特征，以获得样本的全局特征，并得到样本的最终特征表达后，获得分类标签；
S3、利用训练集的样本数据和活动类别标签，训练步骤S2构建的层次化transformer模型的网络参数，获得训练后的层次化transformer模型；
S4、将测试集的样本数据输入到训练后的层次化transformer模型，输出人体动作识别的预测结果。
进一步地，步骤S2中，层次化transformer模型包括多层卷积神经网络、底层变换结构即低层transformer结构、高层变换结构即高层transformer结构、线性归一化层和分类层，
多层卷积神经网络：将CSI数据沿着时间轴划分成的微动作片段作为输入，生成基于微动作片段的卷积特征映射图；
低层transformer结构：对基于微动作片段的卷积特征映射图的时序信息，提取局部关联特征；
高层transformer结构：将同一样本数据的多个片段的局部关联特征整合后作为输入，获得样本的全局特征；
线性归一化层：由样本的全局特征，得到样本的最终特征表达；
分类层：用于对输入的样本的最终特征表达，获得分类结果。
进一步地，层次化transformer模型中，多层卷积神经网络包括数据输入层、两层二维卷积神经网络和数据输出层，数据输入层用于输入CSI数据沿着时间轴划分成的微动作片段，两层二维卷积神经网络用于生成基于微动作片段的卷积特征映射图，并由数据输出层输出基于微动作片段的卷积特征映射图。
进一步地，多层卷积神经网络中，每层二维卷积神经网络包括卷积层、最大池化层、批归一化层和高斯误差线性单元激活函数层，卷积层利用卷积核进行卷积操作；最大池化层用于选取局部区域中最大的点；批归一化层用于计算每批次所有特征值的均值和方差；高斯误差线性单元激活函数层用于提供随机正则化。
进一步地，层次化transformer模型中，低层transformer结构包括底层注意力模块和底层前馈神经网络，
底层注意力模块的输出Zi为：
，
其中，对基于微动作片段的卷积特征映射图进行不同的线性变化得出，Softmax是归一化指数函数，
T表示转置操作，dk是平滑因子；
底层前馈神经网络的输出FFNi即局部关联特征为：，
其中，Relu是线性整流函数，Zi是底层注意力模块的输出，W1、W2是两个全连接层的权重参数，b1、b2是两个全连接层的偏置。
进一步地，层次化transformer模型中，高层transformer结构包括高层注意力模块和高层前馈神经网络，
高层注意力模块的输出Zh为：
，
其中，是对基于低层transformer结构的输出合并之后再进行不同的线性变化得出，Softmax是归一化指数函数，
T表示转置操作，dk是平滑因子；
高层前馈神经网络的输出FFNh即样本的全局特征为：，
其中，Relu是线性整流函数，Zh是高层注意力模块的输出，W3、W4是两个全连接层的权重参数，b3、b4是两个全连接层的偏置。
进一步地，层次化transformer模型中，线性归一化层包括余弦相似度层一、激活函数GELU层、随机失活层和输出层，
余弦相似度层一用于计算样本的全局特征和权重之间的余弦值；
激活函数GELU层用于对权重提供随机正则化；
随机失活层用于将激活函数GELU层的输出随机归零；
输出层用于将样本的全局特征乘以所学权重之间的余弦值作为样本的最终特征表达并输出。
进一步地，层次化transformer模型中，分类层包括余弦相似度层二和归一化层，余弦相似度层二用于计算输入的样本的最终特征表达之间的余弦值，归一化层用于输出分类结果。
本发明的有益效果是：
一、该种基于层次化transformer模型的WiFi动作识别方法，通过构建层次化transformer模型，以transformer为基础，根据WiFi信号的特性，创新性地同时关注CSI数据的局部和整体时序特性的关联性，将分层自注意力机制集成到一个适用于动作相关特征提取的深层网络架构中，能够有效提高无线感知动作识别的精度和效率，且具有更高的可靠性和更强的泛化能力。
二、该种基于层次化transformer模型的WiFi动作识别方法，根据无线信号时序序列的特点，设计适用于WiFi信号的网络框架，实现动作分类任务，仅需少量的标注样本便可达到较高的识别精度，降低了数据采集的成本。
附图说明
图1是本发明实施例基于层次化transformer模型的WiFi动作识别方法的流程示意图；
图2是实施例中层次化transformer模型获得样本的全局特征的说明示意图；
图3是实施例中层次化transformer模型中线性归一化层和分类层的说明示意图；
图4是实施例基于层次化transformer模型的WiFi动作识别方法的识别效果的示意图，其中，（a）是实施例基于层次化transformer模型的WiFi动作识别方法在会议室一场景的识别效果的示意图，（b）是实施例基于层次化transformer模型的WiFi动作识别方法在会议室二场景的识别效果的示意图。
图5是实施例基于层次化transformer模型的WiFi动作识别方法与去除层次化transformer模型中某一结构后的识别精度对比示意图。
实施方式
下面结合附图详细说明本发明的优选实施例。
实施例提供一种基于层次化transformer模型的WiFi动作识别方法，如图1，包括以下步骤，
S1、采集人员在室内场景如会议室场景、实验室场景、家庭环境场景等下的多种动作的WiFi信号，并提取信道状态信息CSI，对信道状态信息CSI进行滤波预处理后，获得CSI数据作为样本数据，并标注活动类别标签后，获得数据集，将数据集划分得到训练集和测试集；
步骤S1中，通过WiFi信号发射源和WiFi信号接收器，采集不同人员在多个室内场景下多种动作的WiFi信号，获得信道状态信息CSI，并利用巴特沃斯低通滤波预处理后，获得CSI数据。WiFi信号发射源采用WiFi路由器，WiFi信号接收器采用带有Intel Link 5300WiFi NIC的miniPC。
S2、构建层次化transformer模型，将样本数据输入层次化transformer模型，层次化transformer模型提取局部关联特征，以获得样本的全局特征，并得到样本的最终特征表达后，获得分类标签；
步骤S2中，层次化transformer模型包括多层卷积神经网络、底层变换结构即低层transformer结构、高层变换结构即高层transformer结构、线性归一化层和分类层，如图2和图3：
多层卷积神经网络：将CSI数据沿着时间轴划分成的微动作片段作为输入，生成基于微动作片段的卷积特征映射图。多层卷积神经网络将原始的CSI数据投影到抽象的卷积空间中，生成卷积特征映射图。
多层卷积神经网络包括数据输入层、两层二维卷积神经网络和数据输出层，数据输入层用于输入CSI数据沿着时间轴划分成的微动作片段，两层二维卷积神经网络用于生成基于微动作片段的卷积特征映射图，并由数据输出层输出基于微动作片段的卷积特征映射图。
多层卷积神经网络包括两层2D卷积神经网络，每层2D卷积神经网络包括卷积层、最大池化层即Maxpool层、批归一化层即BatchNorm层、高斯误差线性单元激活函数层即GELU层。卷积层利用卷积核进行卷积操作；最大池化层用于选取局部区域中最大的点；批归一化层用于计算每批次所有特征值的均值和方差；高斯误差线性单元激活函数层用于提供随机正则化。
低层transformer结构：对基于微动作片段的卷积特征映射图的时序信息，提取局部关联特征；
层次化transformer模型中，低层transformer结构包括底层注意力模块和底层前馈神经网络，
底层注意力模块的输出Zi为：
，
其中，对基于微动作片段的卷积特征映射图进行不同的线性变化得出，Softmax是归一化指数函数，
T表示转置操作，dk是平滑因子；
底层前馈神经网络的输出FFNi即局部关联特征为：，
其中，Relu是线性整流函数，Zi是底层注意力模块的输出，W1、W2是两个全连接层的权重参数，b1、b2是两个全连接层的偏置。
高层transformer结构：将同一样本数据的多个片段的局部关联特征整合后作为输入，获得样本的全局特征；
层次化transformer模型中，高层transformer结构包括高层注意力模块和高层前馈神经网络，
高层注意力模块：
，
其中，是对基于低层transformer结构的输出合并之后再进行不同的线性变化得出，Softmax是归一化指数函数，
T表示转置操作，dk是平滑因子；
高层前馈神经网络：，
其中，Relu是线性整流函数，Zh是高层注意力模块的输出，W3、W4是两个全连接层的权重参数，b3、b4是两个全连接层的偏置。
线性归一化层：由样本的全局特征，得到样本的最终特征表达；线性归一化层包括余弦相似度层一、激活函数GELU层、随机失活层即Drop out层、输出层。
余弦相似度层一用于计算样本的全局特征和权重之间的余弦值；
激活函数GELU层用于对权重提供随机正则化；
随机失活层用于将激活函数GELU层的输出随机归零；
输出层用于将样本的全局特征乘以所学权重之间的余弦值作为样本的最终特征表达并输出。
分类层：用于对输入的样本的最终特征表达，获得分类结果。层次化transformer模型中，分类层包括余弦相似度层二和归一化层即softmax层，余弦相似度层二用于计算输入的样本的最终特征表达之间的余弦值，归一化层用于输出分类结果。
步骤S2中，CSI数据沿着时间轴划分成的微动作片段Patch 1、Patch 2、…、Patchm，如图2，具体为，将CSI数据格式设置为：通道维度*时间维度*子载波维度。利用滑窗的机制分割CSI数据，得到m个窗口数据作为微动作片段，第i个窗口数据的计算如下：
，
其中，x表示输入的CSI数据，stride、window分别表示滑窗的步长和窗口大小，i∈[1,m]，x[1+（i-1)*stride：（i-1)*stride+window，：]表示输入的CSI数据x的第1+（i-1)*stride行到第（i-1)*stride+window行的所有元素。
步骤S2中，层次化transformer模型的低层transformer结构，对基于微动作片段的卷积特征映射图的时序信息，学习局部关联特征；然后，对同一样本数据的多个片段的局部关联特征整合，输入到高层transformer结构，学习全局特征。
步骤S2中，将CSI数据的全局特征送入线性归一化层中，学习样本的最终特征表达，能够使得特征分布更加稳定，减少数据方差。然后，将样本的最终特征表达输入到分类层中预测分类结果。线性归一化层是计算全局特征和学习权重之间的点积归一化，包含余弦相似度层、激活函数GELU层以及Drop out层；分类层包括余弦相似度层和softmax层。
S3、利用训练集的样本数据和活动类别标签，训练步骤S2构建的层次化transformer模型的网络参数，获得训练后的层次化transformer模型；
步骤S3中，根据训练集的样本数据的预测标签和真实标签之间的损失值来优化层次化transformer模型的参数。
S4、将测试集的样本数据输入到训练后的层次化transformer模型，输出人体动作识别的预测结果。
该种基于层次化transformer模型的WiFi动作识别方法，通过构建层次化transformer模型即层次化变换器，以transformer为基础，根据WiFi信号的特性，创新性地同时关注CSI数据的局部和整体时序特性的关联性，将分层自注意力机制集成到一个适用于动作相关特征提取的深层网络架构中，能够有效提高无线感知动作识别的精度和效率，且具有更高的可靠性和更强的泛化能力。
该种基于层次化transformer模型的WiFi动作识别方法，根据无线信号时序序列的特点，设计适用于WiFi信号的网络框架，实现动作分类任务，仅需少量的标注样本便可达到较高的识别精度，降低了数据采集的成本。
实施例的该种基于层次化transformer模型的WiFi动作识别方法进行实验验证如下：
在会议室一场景、会议室二场景分别采集样本，设置训练集每个类别仅有一个样本，其余均为测试集。图4的（a）是实施例基于层次化transformer模型的WiFi动作识别方法在会议室一场景的识别效果的示意图，图4的（b）是实施例基于层次化transformer模型的WiFi动作识别方法在会议室二场景的识别效果的示意图。图4中，包含squat、stand up、bend、box、turn around五个动作，数值代表某类动作预测为该类或者其他类的占比，对角线的数值越大，识别的精度越高。由图4中（a）和（b）结果可以看出，实施例的该种基于层次化transformer模型的WiFi动作识别方法，能够在训练样本数极少的情况下，得到较高的行为识别精度。
在实验室场景和家庭环境场景中分别采集50类人体活动样本，设置训练集每个类别仅有一个样本，其余均为测试集，将实施例的该种基于层次化transformer模型的WiFi动作识别方法和现有的网络结构对比，实验结果如表1所示。由表1中结果可以看出，传统的长短期记忆网络、卷积-长短期记忆网络的感知精度均远低于实施例方法。
表1 实施例方法和现有方法的感知精度对比结果
图5是实施例基于层次化transformer模型的WiFi动作识别方法与去除层次化transformer模型中某一结构后的识别精度对比示意图，图5中，将本实施例中提出的低层transformer结构、高层transformer结构分别去除、将所提出的线性归一化层替换成全连接层，分别用符号V1，V2和V3表示。由图5可知，当去除本实施例中某个transformer模块，或者修改归一化层，则模型的精度降低，验证了本实施例所提各模块的有效性。
该种基于层次化transformer模型的WiFi动作识别方法，考虑数据之间的关联性和层次性，设计层次化transformer结构，探索微动作内部的局部相关性以及整个动作的全局相关性，挖掘更多的样本信息，能够大幅提升样本特征表达的辨识能力以及最终的识别精度。
尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于层次化transformer模型的WiFi动作识别方法，其特征在于：包括以下步骤，
S1、采集人员在室内场景下的多种动作的WiFi信号，并提取信道状态信息CSI，对信道状态信息CSI进行滤波预处理后，获得CSI数据作为样本数据，并标注活动类别标签后，获得数据集，将数据集划分得到训练集和测试集；
S2、构建层次化transformer模型，将样本数据输入层次化transformer模型，层次化transformer模型提取局部关联特征，以获得样本的全局特征，并得到样本的最终特征表达后，获得分类标签；
步骤S2中，层次化transformer模型包括多层卷积神经网络、底层变换结构即低层transformer结构、高层变换结构即高层transformer结构、线性归一化层和分类层，
多层卷积神经网络：将CSI数据沿着时间轴划分成的微动作片段作为输入，生成基于微动作片段的卷积特征映射图；
低层transformer结构：对基于微动作片段的卷积特征映射图的时序信息，提取局部关联特征；
高层transformer结构：将同一样本数据的多个片段的局部关联特征整合后作为输入，获得样本的全局特征；
线性归一化层：由样本的全局特征，得到样本的最终特征表达；
分类层：用于对输入的样本的最终特征表达，获得分类结果；
S3、利用训练集的样本数据和活动类别标签，训练步骤S2构建的层次化transformer模型的网络参数，获得训练后的层次化transformer模型；
S4、将测试集的样本数据输入到训练后的层次化transformer模型，输出人体动作识别的预测结果。
2.如权利要求1所述的基于层次化transformer模型的WiFi动作识别方法，其特征在于：层次化transformer模型中，多层卷积神经网络包括数据输入层、两层二维卷积神经网络和数据输出层，数据输入层用于输入CSI数据沿着时间轴划分成的微动作片段，两层二维卷积神经网络用于生成基于微动作片段的卷积特征映射图，并由数据输出层输出基于微动作片段的卷积特征映射图。
3.如权利要求2所述的基于层次化transformer模型的WiFi动作识别方法，其特征在于：多层卷积神经网络中，每层二维卷积神经网络包括卷积层、最大池化层、批归一化层和高斯误差线性单元激活函数层，卷积层利用卷积核进行卷积操作；最大池化层用于选取局部区域中最大的点；批归一化层用于计算每批次所有特征值的均值和方差；高斯误差线性单元激活函数层用于提供随机正则化。
4.如权利要求1所述的基于层次化transformer模型的WiFi动作识别方法，其特征在于：层次化transformer模型中，低层transformer结构包括底层注意力模块和底层前馈神经网络，
底层注意力模块的输出Zi为：
，
其中，对基于微动作片段的卷积特征映射图进行不同的线性变化得出，Softmax是归一化指数函数，T表示转置操作，dk是平滑因子；
底层前馈神经网络的输出FFNi即局部关联特征为： ，
其中，Relu是线性整流函数，Zi是底层注意力模块的输出，W1、W2是两个全连接层的权重参数，b1、b2是两个全连接层的偏置。
5.如权利要求1所述的基于层次化transformer模型的WiFi动作识别方法，其特征在于：层次化transformer模型中，高层transformer结构包括高层注意力模块和高层前馈神经网络，
高层注意力模块的输出Zh为：
，
其中，是对基于低层transformer结构的输出合并之后再进行不同的线性变化得出，Softmax是归一化指数函数，T表示转置操作，dk是平滑因子；
高层前馈神经网络的输出FFNh即样本的全局特征为：，
其中，Relu是线性整流函数，Zh是高层注意力模块的输出，W3、W4是两个全连接层的权重参数，b3、b4是两个全连接层的偏置。
6.如权利要求1-5任一项所述的基于层次化transformer模型的WiFi动作识别方法，其特征在于：层次化transformer模型中，线性归一化层包括余弦相似度层一、激活函数GELU层、随机失活层和输出层，
余弦相似度层一用于计算样本的全局特征和权重之间的余弦值；
激活函数GELU层用于对权重提供随机正则化；
随机失活层用于将激活函数GELU层的输出随机归零；
输出层用于将样本的全局特征乘以所学权重之间的余弦值作为样本的最终特征表达并输出。
7.如权利要求1-5任一项所述的基于层次化transformer模型的WiFi动作识别方法，其特征在于：层次化transformer模型中，分类层包括余弦相似度层二和归一化层，余弦相似度层二用于计算输入的样本的最终特征表达之间的余弦值，归一化层用于输出分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310062463.XA CN115801152B (zh) | 2023-01-16 | 2023-01-16 | 基于层次化transformer模型的WiFi动作识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310062463.XA CN115801152B (zh) | 2023-01-16 | 2023-01-16 | 基于层次化transformer模型的WiFi动作识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115801152A CN115801152A (zh) | 2023-03-14 |
| CN115801152B true CN115801152B (zh) | 2023-04-25 |
Family
ID=85429785
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310062463.XA Active CN115801152B (zh) | 2023-01-16 | 2023-01-16 | 基于层次化transformer模型的WiFi动作识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115801152B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117272234B (zh) * | 2023-11-21 | 2024-01-30 | 南京邮电大学 | 一种基于稠密-稀疏的时空transformer模型的WiFi行为识别方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114067256A (zh) * | 2021-11-24 | 2022-02-18 | 西安交通大学 | 一种基于Wi-Fi信号的人体关键点检测方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210136515A1 (en) * | 2015-07-17 | 2021-05-06 | Feng Zhang | Method, apparatus, and system for wireless monitoring with motion localization |
-
2023
- 2023-01-16 CN CN202310062463.XA patent/CN115801152B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114067256A (zh) * | 2021-11-24 | 2022-02-18 | 西安交通大学 | 一种基于Wi-Fi信号的人体关键点检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115801152A (zh) | 2023-03-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shanthamallu et al. | A brief survey of machine learning methods and their sensor and IoT applications | |
| Shao et al. | A novel approach of multisensory fusion to collaborative fault diagnosis in maintenance | |
| Li et al. | Comparison of feature learning methods for human activity recognition using wearable sensors | |
| CN107766894B (zh) | 基于注意力机制和深度学习的遥感图像自然语言生成方法 | |
| CN110245709B (zh) | 基于深度学习和自注意力的3d点云数据语义分割方法 | |
| Xie et al. | End to end multi-task learning with attention for multi-objective fault diagnosis under small sample | |
| Wang et al. | Plant disease detection and classification method based on the optimized lightweight YOLOv5 model | |
| CN112733866B (zh) | 一种提高可控图像文本描述正确性的网络构建方法 | |
| CN112381097A (zh) | 一种基于深度学习的场景语义分割方法 | |
| CN114092832A (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
| CN115801152B (zh) | 基于层次化transformer模型的WiFi动作识别方法 | |
| CN114423034B (zh) | 一种室内人员动作识别方法、系统、介质、设备及终端 | |
| CN113949582B (zh) | 一种网络资产的识别方法、装置、电子设备及存储介质 | |
| CN111050294A (zh) | 一种基于深度神经网络的室内定位系统及方法 | |
| CN117237559B (zh) | 面向数字孪生城市的三维模型数据智能分析方法及系统 | |
| CN113807278A (zh) | 一种基于深度学习的土地利用分类及变化预测方法 | |
| Ahmed et al. | AQE-Net: A deep learning model for estimating air quality of Karachi city from mobile images | |
| Naved et al. | IoT-Enabled Convolutional Neural Networks: Techniques and Applications | |
| CN117034123B (zh) | 健身器材的故障监控系统及其方法 | |
| CN116566777B (zh) | 一种基于图卷积神经网络的跳频信号调制识别方法 | |
| Xie et al. | Deep learning on multi-view sequential data: a survey | |
| Jiang et al. | A massive multi-modal perception data classification method using deep learning based on internet of things | |
| Vishwakarma et al. | Attention‐enhanced Alexnet for improved radar micro‐Doppler signature classification | |
| Zheng et al. | Tmrn-glu: A transformer-based automatic classification recognition network improved by gate linear unit | |
| Wang et al. | A Survey of Applications of Deep Learning in Radio Signal Modulation Recognition |
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 |