Глубокое обучение в распознавании деятельности человека исследование в области искусственного интеллекта представляет адаптивный подход с использованием Raspberry Pi и LSTM для улучшенной, независимой от местоположения точности.
Распознавание деятельности человека исследование адаптивного подхода на базе Raspberry Pi и LSTM в области искусственного интеллекта для повышения точности независимо от местоположения
Распознавание деятельности человека (HAR) – это область исследований, которая фокусируется на разработке методов и техник автоматической идентификации и классификации деятельности человека на основе данных, собранных с различных сенсоров. HAR стремится обеспечить возможность машин, таких как смартфоны, носимые устройства или умная среда, понимать и интерпретировать действия человека в реальном времени.
Традиционно использовались методы на основе носимых датчиков и камеры. Носимые датчики неудобны и неудобны для пользователей. Методы, основанные на камерах, требуют интрузивных установок, вызывая опасения по поводу конфиденциальности. Существующие технологии HAR сталкиваются с такими проблемами, как зависимость от местоположения, чувствительность к шуму и необходимость более гибкого распознавания разнообразных видов деятельности в различных приложениях, от умных домов до здравоохранения и интернета вещей (IoT). Метод, используемый UTeM, предлагает точное, адаптивное и местоположенно-независимое решение.
Исследователи Университета Техникал Малайзия Мелака (UTeM) разработали подход к распознаванию деятельности человека (HAR) для преодоления традиционных ограничений. Они представили систему, использующую информацию о состоянии коммуникационного канала (CSI) и передовые методы глубокого обучения.
- Исследователи Google AI и Тель-Авивского университета представляют рамку искусственного интеллекта, объединяющую модель диффузии текста в изображение с специализированной геометрией линз для рендеринга изображения.
- Эта научная статья Исследовательского центра искусственного интеллекта компании Qualcomm раскрывает EDGI революционный эквивариантный диффузор для современного модельно-ориентированного обучения с подкреплением и эффективного планирования
- Гугл DeepMind Research представил SODA самообучающуюся модель диффузии, разработанную для обучения представлениям.
Система использует информацию о состоянии коммуникационного канала (CSI) в сочетании с сетями долгой краткосрочной памяти (LSTM). Система извлекает важные показатели состояний беспроводного коммуникационного канала, позволяющих классифицировать и абсолютно независимо от расположения осуществлять обнаружение в реальном времени. Сети LSTM облегчают последовательное обучение особенностям деятельности, упрощая процесс распознавания и учитывая вариации в деятельности человека среди разных людей и сред.
Исследователи подчеркнули, что первая сборка данных и предварительная обработка проводились с использованием Raspberry Pi 4 и специализированных прошивок для получения сырых данных о состоянии коммуникационного канала (CSI), которые впоследствии были улучшены с помощью MATLAB для оптимального качества и применения.
Сети долгой краткосрочной памяти (LSTM) использовались для извлечения важных признаков из данных о CSI, что позволяет точно распознавать сложные действия человека. Они провели тщательное обучение модели LSTM и процесса классификации, который включал онлайн-фазу для распознавания шаблонов и офлайн-фазу для улучшения производительности.
Система представляет собой метод сегментации сигнала, использующий алгоритм LSTM для точного определения начала и конца деятельности человека.
Исследователи проверили систему и обнаружили, что она достигла впечатляющего уровня точности распознавания деятельности человека в 97%. Она продемонстрировала свою способность приспосабливаться к новым средам, что является значительным прорывом в технологии HAR.
Исследователи выделили замечательную адаптивность своей системы. Она может легко интегрироваться в различные среды, не требуя обширной переобучения или крупных изменений. Эта гибкость делает ее практичным решением для различных областей, эффективно решающим широкий спектр реальных потребностей. Этот подход представляет собой значительный прорыв в технологии HAR и имеет потенциал к значительному изменению нескольких отраслей, включая умные дома, здравоохранение и интернет вещей.