CN110353693A - 一种基于WiFi的手写字母识别方法及*** - Google Patents
一种基于WiFi的手写字母识别方法及*** Download PDFInfo
- Publication number
- CN110353693A CN110353693A CN201910612897.6A CN201910612897A CN110353693A CN 110353693 A CN110353693 A CN 110353693A CN 201910612897 A CN201910612897 A CN 201910612897A CN 110353693 A CN110353693 A CN 110353693A
- Authority
- CN
- China
- Prior art keywords
- layer
- convolution kernel
- wifi
- hand
- neural networks
- 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.)
- Pending
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1124—Determining motor skills
- A61B5/1125—Grasping motions of hands
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Signal Processing (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Veterinary Medicine (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Heart & Thoracic Surgery (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于WiFi的手写字母识别方法及***,所述方法包括如下步骤:步骤A1:使用者在AP和STP之间书写手写字母的同时,利用数据收集模块收集反映环境状态变化的WiFi信号。步骤A2:从WiFi信号中提取信道状态信息。步骤A3:对信道状态信息进行相位解卷绕和相位校正操作。步骤A4:将数据输入到卷积神经网络,其中包括:输入层,Inception模块,深度连接层,批规范化层,ReLU层,平均池化层,dropout层,全连接层,softmax层,分类层。采用动量梯度下降法训练网络。步骤A5:经过训练后的卷积神经网络模型应用于手写字母识别。本发明克服了传统的动作识别需要携带可穿戴式设备的限制并且避免了隐私泄露的风险。使用改进的卷积神经网络进行动作识别,提高识别精度。
Description
技术领域
本发明属于智能感知和人机交互技术领域,具体地涉及一种基于小尺度动作的识别技术,结合无线信道状态信息可以感知环境变化的特性以及卷积神经网络的多尺度特性实现基于WiFi的手写字母识别。
背景技术
近些年来,动作识别技术日趋成熟,小尺度动作识别以其动作幅度小难以识别的特点受到研究人员的广泛关注。其中基于计算机视觉的方法主要通过摄像头捕捉图像或视频,应用图像处理方法识别动作种类,这类技术受限于视距与光照强度,无法在黑暗的场景下运作,而且存在泄露隐私的风险。基于传感器的方法通过使用者携带传感器如加速度计,陀螺仪等,收集动作信息,提取信息特征进行动作识别,这种方法需要用户穿戴传感器设备,使用不方便,不利于广泛推广。基于射频技术的动作识别方法,通过利用特殊硬件设备获取细粒度的射频信号去感知人体动作,这种方法识别准确度高,但技术开销大,不利于广泛部署。
随着无线通信技术的飞速发展与WiFi设备的广泛部署,基于WiFi的动作感知技术通过提取WiFi信号的信道状态信息CSI进行动作识别,信道状态信息细粒度地描述了无线信号的多径传播特性。动作引起的环境变化对通信质量有着明显的影响,因此CSI作为信道特征可以感知由动作引起的通信质量变化,通过综合应用信号处理和深度学习技术,对动作进行识别,这种方法***露用户隐私,不需要昂贵的技术开销及硬件设备,使用商用的WiFi设备。
发明内容
本发明提出一种基于WiFi信号的小尺度动作识别方法,利用可以描述信道质量变化的CSI,提取特征值并处理,利用卷积神经网络识别小尺度动作种类。本发明与传统动作识别技术相比,降低硬件的要求,使用普通商用WiFi设施就能实现,不需要复杂的传感器以及昂贵的特殊硬件设备。不受限于光照强度,不存在泄露隐私的风险,可以精确识别多种类小尺度动作
步骤1:AP以固定的频率向STP发送WiFi信号,并收集在不同动作下的WiFi信号。
步骤2:从WiFi信号中提取信道状态信息。
步骤3:对数据进行预处理。收集动作的样本,每种动作的样本不少于20个,制作相应的标签,并制作数据集。
步骤4:将数据集输入进卷积神经网络。
步骤5:根据卷积神经网络输出的准确率,损失函数值,返回步骤4进行迭代,不断优化网络,求得参数w和参数b反馈给卷积神经网络,以使得损失函数达到最小值。
优选地,步骤2进一步包括:
发送端天线数量为N,接收端天线数量为M,WiFi的子载波数量为S,发送固定数量的数据包,每个数据包中的CSI值为N×M×S的矩阵。
优选地,步骤3进一步包括:
每个动作所涵盖的WiFi信号的数据包的数量为Packets,因此每一个动作的CSI值为Packets×S×N。
提取CSI的幅度信息和相位信息。
优选地,步骤4进一步包括:
卷积神经网络模型为:输入层,Inception模块,深度连接层,批正则化层,ReLU层,平均池化层,dropout层,全连接层,softmax层,分类层;
Inception模块包括四个分支:
第一个分支:采用一个卷积层Layer1,卷积核大小为3x3(filter size=3x3),卷积核的数量为3,步长为1(strides=1),填充方式为same(Padding=same)。
第二个分支:采用两个卷积层Layer2和Layer3相连接,Layer2的卷积核大小为1x1(filter size=1x1),卷积核的数量为3;Layer3的卷积核大小为3x3(filter size=3x3),卷积核的数量为3。Layer2和Layer3的步长均为1(strides=1),填充方式为same(Padding=same);
第三个分支:采用两个卷积层Layer4和Layer5相连接,Layer4的卷积核大小为1x1(filter size=1x1),卷积核的数量为3;Layer5的卷积核大小为5x5(filter size=5x5),卷积核的数量为3。Layer4和Layer5的步长均为1(strides=1),填充方式为same(Padding=same);
第四个分支:采用平均池化层,采样区域为3x 3,步长均为1(strides=1);
平均池化层的采样区域为3x 3,步长均为1(strides=1);
Dropout层的参数drop ratio设置为0.2;
学习率设为0.01;
优化器为动量梯度下降法进行优化;
验证方式采用10-Fold cross-validation;
并采用shuffle进行洗牌操作。
训练神经网络,每一次训练之后都会将参数反馈,不断进行优化。
经过迭代,输出训练好的网络模型,此时的网络模型应用于小尺度动作识别。
有益效果
本发明公开了一种基于WiFi的手写字母识别方法及***,提出一种改进的卷积神经网络模型应用于小尺度动作识别,小尺度动作的动作幅度小,因此在WiFi传输中产生微弱的多径效应,导致识别难度增加。本发明识别的种类达到50余种,多种类也是导致识别难度增加的重要原因。某些大写字母和对应的小写字母有着相同的轨迹,不同的大小,这使小尺度动作识别的难度大大增加。基于以上特性,本发明提出的卷积神经网络模型具有多尺度的特点,将通道相加,一方面增加了网络的宽度,另一方面也增加了网络对尺度的适应性,因此网络卷积层中的网络能够提取输入的每一个细节信息。因此本发明提出的改进的卷积神经网络可以很好的适用于基于WiFi的手写字母识别。并取得了很好的效果。
附图说明
图1为本发明一种基于WiFi的手写字母识别方法及***的步骤流程图。
图2为本发明中卷积神经网络模型的训练过程图
图3为本发明中卷积神经网络模型的具体结构图
具体实施方式
为便于本领域技术人员理解本发明的技术内容,以具体事例结合附图对本发明内容和实施方式进一步阐释。以下所描述的实施示例仅用于说明和解释本发明,但不用于限定本发明。本发明亦可通过其它不同的具体实例加以施行或应用,本说明书各项细节可基于不同观点,在不背离本发明的精神下可进行变更或修饰。
现有的基于802.11n协议的WiFi设施采用OFDM技术以及MIMO多天线技术。在OFDM***中,信道状态信息表示无线信道的系数,我们利用Daniel Halperin开发的Linux802.11n CSI Tool可以获取WiFi信号的信道状态信息,信道状态信息表示为一个n*m*30的矩阵,n为发送天线的数量,m为接收天线的数量,30为无线通信信道中的30个子载波。矩阵如下公式所示:
实验环境:两台台式机上安装Intel 5300网卡,并在台式机上搭建Linux802.11nCSI Tool,两台台式机处于同一水平位置,相距2m,发射端使用1根天线,接收端使用3根天线。在monitor模式下,输入指令,使AP端向STP端发送数据包,其中发包速率为200packets/s,每次发送800个包,时长为4s,使用者在4s之内书写字母,在接收端接收到这800个数据包并保存为.dat文件。
实验准备阶段:对志愿者书写字母的动作进行规范,但仍存在大小,书写速度不一致的问题。字母种类包括26种大写英文字母和26种小写英文字母。
数据与处理:对数据包进行解析,获得每个数据包的信道状态信息。每个动作所导致的环境变化由相应的800个数据包的CSI所描述,在实验中,使用一根传输天线,三根接收天线,因此,每个手势的CSI矩阵为3*30*800。然后我们将其转化为卷积神经网络要求的数据形式,即800*30*3,其中3对应于图像处理中的通道数。提取信道状态信息的幅度和相位,并对相位进行解卷绕操作,因此数据形式为800*60*3。
实验设置:我们使用10-Fold cross-validation方式用来训练以及测试算法准确性,即将数据集分为k个子集,每个子集均做一次测试集,其余的作为训练集。交叉验证重复k次,每次选择一个子集作为测试集,并将k次的平均交叉验证识别正确率作为结果。
卷积神经网络模型包括:
输入层:用于将数据以三维张量的形式输入卷积神经网络。
Inception模块:Inception模块分为四个分支:
第一个分支:采用一个卷积层Layer1,卷积核大小为3x3(filter size=3x3),卷积核的数量为3,步长为1(strides=1),填充方式为same(Padding=same)。
第二个分支:采用两个卷积层Layer2和Layer3相连接,Layer2的卷积核大小为1x1(filter size=1x1),卷积核的数量为3;Layer3的卷积核大小为3x3(filter size=3x3),卷积核的数量为3。Layer2和Layer3的步长均为1(strides=1),填充方式为same(Padding=same)。
第三个分支:采用两个卷积层Layer4和Layer5相连接,Layer4的卷积核大小为1x1(filter size=1x1),卷积核的数量为3;Layer5的卷积核大小为5x5(filter size=5x5),卷积核的数量为3。Layer4和Layer5的步长均为1(strides=1),填充方式为same(Padding=same)。
第四个分支:采用平均池化层,采样区域为3x 3,步长均为1(strides=1)。
批规范化层:在模型每次随机梯度下降训练时,通过mini-batch来对相应的网络响应做规范化操作,使得结果(输出信号各个维度)的均值为0,方差为1。批规范化层规范化某些层或所有层的输入,可以固定每层输入信号的均值与方差。这样一来,即使网络模型较深层的响应或梯度很小,也可通过批规范化层的规范化作用将其尺度变大,以此便可解决深层网络训练很可能带来的“梯度弥散”问题。该层表达式如下公式:
该方法不仅加快了网络训练的速度,而且降低了训练的复杂度和网络初始化的敏感性。它还提高了神经网络的泛化能力。批处理规范化层有助于防止过度拟合。
ReLU层:ReLU层即整流线性单元,对输入的每个元素执行阈值操作,其中任何小于零的值设置为零,任何大于零的值设置为值。通过将负值设置为零,它可以有效地从激活映射中删除负值。在不影响卷积层接收域的前提下,增加了决策函数和整个网络的非线性性质。ReLU激活函数可以避免过拟合的发生。ReLU函数表示为:
平均池化层:池化层可以减少输入特征的维数,提取局部区域的主要特征。利用某一位置相邻输出的总体统计特征来替代该位置的网络输出,可以大大减少网络空间中大量的参数和计算复杂度,防止过拟合。本发明采用平均池化函数,即利用相邻矩形区域的平均值代替该区域作为输出。
Dropout层:Dropout层是一种正则化技术,本发明dropout层的drop ratio设置为0.2。在网络训练过程中,它以一定的概率随机地用0代替部分输入。但是,被代替的值只是暂时丢弃而不是永久丢弃,这种方法可以减少过拟合,解决训练过程中的梯度消失问题,可以增强模型的泛化能力,提高网络的整体性能。
全连接层:全连接层是所有神经元都与上层神经元相连的结构,但各层神经元之间并不相互连接。全连通层对卷积层或池化层输出的特征信息进行集成,将多维度降为一维。它将输出传输到softmax层。
Softmax层:softmax函数以K个实数向量作为输入,将其规范化为一个由K个概率组成的概率分布。应用softmax函数后,每个元素都映射成为(0,1)的值,并且所有元素之和为1,因此可以将它们理解成概率。softmax函数表达式如下公式:
分类层:这一层通过计算来自softmax层输入与标签的交叉熵损失。返回损失值,通过优化器进行优化。交叉熵函数为:
超参数设置:学习率设为0.01,优化器为动量梯度下降法,使用L2正则化避免过拟合。
验证方式:采用10-Fold交叉验证,并使用shuffle进行洗牌操作。
收集动作的样本,每种动作的样本不少于20个,制作相应的标签,并制作数据集。
将经过预处理的数据与标签输入到卷积神经网络,并进行训练,每一次迭代之后都会将参数反馈,使用动量梯度下降法不断进行优化。
将训练好的网络模型应用于小尺度动作识别。
以上内容是对本发明的优选的实施例的说明,可以使本领域技术人员理解本发明所创造的技术方案,但是,这些事例仅是举例说明,不能认定此发明的具体实施方式仅限于这些实施例的说明,在不脱离本发明的创造构思的前提下,可以做出简单推演和变换,都应当属于本发明创造的保护范围。
Claims (3)
1.一种基于WiFi的手写字母识别方法及***,其特征在于,包括以下步骤:
A1、在AP向STP发送WiFi信号的同时,收集在不同动作下的WiFi信号;
A2、从WiFi信号中提取信道状态信息,并提取特征值;
A3、对信道状态信息进行预处理,作为数据;
A4、将数据和对应的标签制作数据集,将数据集输入卷积神经网络进行训练,迭代;
A5、将训练好的神经网络模型应用于手写字母的识别。
2.根据权利要求1所述的基于WiFi的手写字母识别方法及***,其特征在于:步骤A4中的卷积神经网络模型包括:输入层,Inception模块,深度连接层,批规范化层,ReLU层,平均池化层,dropout层,全连接层,softmax层,分类层;超参数设置:采用动量梯度下降法进行优化,损失函数采用交叉熵函数,采用L2正则化避免过拟合。
3.根据权利要求2所述的基于WiFi的手写字母识别方法及***,其特征在于:Inception模块的结构为:第一个分支采用一个卷积层Layer1,Layer1的卷积核大小为3x3(filter size=3x3),卷积核的数量为3,步长为1(strides=1),填充方式为same(Padding=same);第二个分支采用两个卷积层Layer2和Layer3相连接,Layer2的卷积核大小为1x1(filter size=1x1),卷积核的数量为3;Layer3的卷积核大小为3x3(filter size=3x3),卷积核的数量为3,Layer2和Layer3的步长均为1(strides=1),填充方式为same(Padding=same);第三个分支采用两个卷积层Layer4和Layer5相连接,Layer4的卷积核大小为1x1(filter size=1x1),卷积核的数量为3;Layer5的卷积核大小为5x5(filter size=5x5),卷积核的数量为3,Layer4和Layer5的步长均为1(strides=1),填充方式为same(Padding=same);第四个分支采用平均池化层,平均池化层的采样区域为3x3,步长均为1(strides=1)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910612897.6A CN110353693A (zh) | 2019-07-09 | 2019-07-09 | 一种基于WiFi的手写字母识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910612897.6A CN110353693A (zh) | 2019-07-09 | 2019-07-09 | 一种基于WiFi的手写字母识别方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110353693A true CN110353693A (zh) | 2019-10-22 |
Family
ID=68218620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910612897.6A Pending CN110353693A (zh) | 2019-07-09 | 2019-07-09 | 一种基于WiFi的手写字母识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110353693A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111028160A (zh) * | 2019-11-21 | 2020-04-17 | 西北工业大学 | 一种基于卷积神经网络的遥感图像噪声抑制方法 |
CN111274216A (zh) * | 2020-01-09 | 2020-06-12 | 腾讯科技(深圳)有限公司 | 无线局域网的识别方法、识别装置、存储介质及电子设备 |
CN113116294A (zh) * | 2019-12-30 | 2021-07-16 | 上海际链网络科技有限公司 | 人员身体状况的监测方法及装置 |
KR20230039965A (ko) * | 2021-09-15 | 2023-03-22 | 한국항공대학교산학협력단 | 와이파이 신호를 활용한 cnn 기반 사람 행동 인식 시스템 및 방법 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105844216A (zh) * | 2016-03-11 | 2016-08-10 | 南京航空航天大学 | 一种利用WiFi信号识别手写字母的检测与匹配机制 |
CN107633227A (zh) * | 2017-09-15 | 2018-01-26 | 华中科技大学 | 一种基于csi的细粒度手势识别方法和*** |
WO2018054283A1 (zh) * | 2016-09-23 | 2018-03-29 | 北京眼神科技有限公司 | 人脸模型的训练方法和装置、人脸认证方法和装置 |
CN108108677A (zh) * | 2017-12-12 | 2018-06-01 | 重庆邮电大学 | 一种基于改进的cnn人脸表情识别方法 |
WO2018133034A1 (en) * | 2017-01-20 | 2018-07-26 | Intel Corporation | Dynamic emotion recognition in unconstrained scenarios |
CN108805194A (zh) * | 2018-06-04 | 2018-11-13 | 上海交通大学 | 一种基于wifi信道状态信息的手写识别方法及*** |
CN108836342A (zh) * | 2018-04-19 | 2018-11-20 | 北京理工大学 | 一种基于惯性传感器的无特征人体运动识别方法 |
CN109117940A (zh) * | 2018-06-19 | 2019-01-01 | 腾讯科技(深圳)有限公司 | 一种卷积神经网络前向加速方法、装置及*** |
CN109214990A (zh) * | 2018-07-02 | 2019-01-15 | 广东工业大学 | 一种基于Inception模型的深度卷积神经网络图像去噪方法 |
CN109951846A (zh) * | 2019-03-25 | 2019-06-28 | 腾讯科技(深圳)有限公司 | 无线网络识别方法、装置、存储介质及计算机设备 |
CN109977861A (zh) * | 2019-03-25 | 2019-07-05 | 中国科学技术大学 | 离线手写体数学公式识别方法 |
-
2019
- 2019-07-09 CN CN201910612897.6A patent/CN110353693A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105844216A (zh) * | 2016-03-11 | 2016-08-10 | 南京航空航天大学 | 一种利用WiFi信号识别手写字母的检测与匹配机制 |
WO2018054283A1 (zh) * | 2016-09-23 | 2018-03-29 | 北京眼神科技有限公司 | 人脸模型的训练方法和装置、人脸认证方法和装置 |
WO2018133034A1 (en) * | 2017-01-20 | 2018-07-26 | Intel Corporation | Dynamic emotion recognition in unconstrained scenarios |
CN107633227A (zh) * | 2017-09-15 | 2018-01-26 | 华中科技大学 | 一种基于csi的细粒度手势识别方法和*** |
CN108108677A (zh) * | 2017-12-12 | 2018-06-01 | 重庆邮电大学 | 一种基于改进的cnn人脸表情识别方法 |
CN108836342A (zh) * | 2018-04-19 | 2018-11-20 | 北京理工大学 | 一种基于惯性传感器的无特征人体运动识别方法 |
CN108805194A (zh) * | 2018-06-04 | 2018-11-13 | 上海交通大学 | 一种基于wifi信道状态信息的手写识别方法及*** |
CN109117940A (zh) * | 2018-06-19 | 2019-01-01 | 腾讯科技(深圳)有限公司 | 一种卷积神经网络前向加速方法、装置及*** |
CN109214990A (zh) * | 2018-07-02 | 2019-01-15 | 广东工业大学 | 一种基于Inception模型的深度卷积神经网络图像去噪方法 |
CN109951846A (zh) * | 2019-03-25 | 2019-06-28 | 腾讯科技(深圳)有限公司 | 无线网络识别方法、装置、存储介质及计算机设备 |
CN109977861A (zh) * | 2019-03-25 | 2019-07-05 | 中国科学技术大学 | 离线手写体数学公式识别方法 |
Non-Patent Citations (2)
Title |
---|
MA Y,GANG Z等: "SignFi: Sign Language Recognition Using WiFi", 《PROCEEDINGS OF THE ACM ON INTERACTIVE MOBILE WEARABLE AND UBIQUITOUS TECHNOLOGIES》 * |
SZEGEDY C等: "Going Deeper with Convolutions", 《IEEE COMPUTER SOCIETY》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111028160A (zh) * | 2019-11-21 | 2020-04-17 | 西北工业大学 | 一种基于卷积神经网络的遥感图像噪声抑制方法 |
CN113116294A (zh) * | 2019-12-30 | 2021-07-16 | 上海际链网络科技有限公司 | 人员身体状况的监测方法及装置 |
CN111274216A (zh) * | 2020-01-09 | 2020-06-12 | 腾讯科技(深圳)有限公司 | 无线局域网的识别方法、识别装置、存储介质及电子设备 |
KR20230039965A (ko) * | 2021-09-15 | 2023-03-22 | 한국항공대학교산학협력단 | 와이파이 신호를 활용한 cnn 기반 사람 행동 인식 시스템 및 방법 |
KR102659202B1 (ko) * | 2021-09-15 | 2024-04-22 | 한국항공대학교산학협력단 | 와이파이 신호를 활용한 cnn 기반 사람 행동 인식 시스템 및 방법 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110353693A (zh) | 一种基于WiFi的手写字母识别方法及*** | |
Sharma et al. | Vision-based hand gesture recognition using deep learning for the interpretation of sign language | |
He et al. | DABNet: Deformable contextual and boundary-weighted network for cloud detection in remote sensing images | |
CN107633227B (zh) | 一种基于csi的细粒度手势识别方法和*** | |
Zhang et al. | Wi-Fi sensing for joint gesture recognition and human identification from few samples in human-computer interaction | |
CN109919014A (zh) | Ocr识别方法及其电子设备 | |
CN105844216B (zh) | 一种利用WiFi信号识别手写字母的检测与匹配机制 | |
Zhang et al. | WiFi-based cross-domain gesture recognition via modified prototypical networks | |
Zhang et al. | Wisign: Ubiquitous american sign language recognition using commercial wi-fi devices | |
CN114359738B (zh) | 一种跨场景鲁棒的室内人数无线检测方法及*** | |
CN112733609A (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 | |
Nair et al. | Supervised techniques and approaches for satellite image classification | |
Zhang et al. | CSI-based human activity recognition with graph few-shot learning | |
CN112198966B (zh) | 基于fmcw雷达***的笔画识别方法以及*** | |
Liu et al. | Hand Gesture Recognition Based on Single‐Shot Multibox Detector Deep Learning | |
CN105117740A (zh) | 字体识别方法及装置 | |
Shang et al. | LSTM-CNN network for human activity recognition using WiFi CSI data | |
Yu et al. | Fingerprint extraction and classification of wireless channels based on deep convolutional neural networks | |
Zhao et al. | Wear-free gesture recognition based on residual features of RFID signals | |
CN111913575B (zh) | 一种手语词的识别方法 | |
Kim et al. | Efficient classification of human activity using pca and deep learning lstm with wifi csi | |
Wang et al. | A spatiotemporal multi-stream learning framework based on attention mechanism for automatic modulation recognition | |
CN112380903A (zh) | 一种基于WiFi-CSI信号增强的人体活动识别方法 | |
Chen et al. | Deep metric learning for robust radar signal recognition | |
CN113242547B (zh) | 一种基于深度学习的无线信号中用户行为隐私的滤除方法、***及无线信号收发装置 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191022 |
|
WD01 | Invention patent application deemed withdrawn after publication |