AI folosește datele WiFi pentru a estima numărul de persoane dintr-o cameră

Poate că nu știți, dar datele WiFi pot fi folosite în multe scopuri interesante. Pe lângă informațiile de bază, cum ar fi puterea semnalului, viteza conexiunii sau nivelul de securitate, datele WiFi ne pot oferi și o mulțime de informații despre obiectul conectat, de exemplu, pentru a identifica câte persoane stau în apropierea unui anumit punct de acces, de exemplu. . Într-o lucrare de cercetare publicată recent, intitulată: „DeepCount: Crowd Counting with WiFi via Deep Learning” - tradus aproximativ: Estimarea numărului de oameni dintr-o mulțime prin date WiFi, postată pe site-ul web Arxiv.org, oamenii de știință au reușit să dezvolte o activitate AI model de recunoaștere - DeepCount - care ajută la estimarea numărului de persoane dintr-o cameră din date wireless.

• 91% dintre managerii de tehnologie cred că AI va fi în centrul următoarei revoluții tehnologice

Acest lucru vine la scurt timp după ce cercetătorii de la Universitatea Ryerson din Toronto au anunțat o rețea neuronală care poate ajuta la determinarea dacă proprietarul unui smartphone merge pe jos, merge cu bicicleta sau conduce în anumite zone ale orașului folosind date WiFi și, în același timp, un alt studiu realizat de Purdue Universitatea a reușit, de asemenea, să dezvolte un sistem care utilizează jurnalele de acces WiFi pentru a analiza relațiile dintre utilizatori, locațiile lor și activitățile lor.

În această ultimă cercetare, oamenii de știință au profitat de informațiile despre starea canalului (CSI) - în special fază și amplitudine - pentru a crea un sistem de două modele de inteligență artificială, care include un model de recunoaștere a activității și un model de învățare profundă. Modelul de învățare profundă are sarcina de a evalua corelația dintre numărul de persoane și canale prin maparea activităților acelor persoane la CSI, în timp ce modelul de recunoaștere a activității va fi responsabil pentru înregistrarea informațiilor atunci când cineva intră sau iese din cameră printr-un sistem „electronic”. intrerupator". În cazurile în care două modele captează date diferite - de exemplu, dacă modelul de recunoaștere a activității înregistrează un număr mai mare de persoane decât modelul de deep learning - DeepCount va folosi această diferență pentru a reinstrui modelul de deep learning.

• Expertul McAfee explică modul în care deepfake și AI încalcă zidurile de securitate cibernetică

În plus, cercetătorii au compilat, de asemenea, un set de date de 800 de eșantioane CSI de la 10 voluntari care participă la o varietate de sarcini diferite, inclusiv activități precum fluturarea cu mâna, tastarea, așezarea, mersul pe jos, vorbirea și mâncarea (aproximativ 80% din probele din fiecare). clasa au fost folosite în scopuri de instruire, iar restul au fost folosite ca set de testare). Pentru a antrena un model de recunoaștere a activității, oamenii de știință trebuie mai întâi să proceseze datele de amplitudine pentru a elimina zgomotul și elementele nedorite și apoi să extragă informații despre caracteristici. Antrenarea modelului de deep learning este similară cu etapa de preprocesare, dar se realizează cu date de fază în plus față de amplitudine.

DeepCount rulează pe un laptop cu trei antene de recepție, modificate pentru a raporta datele despre starea canalului și sunt, de asemenea, conectate la un router și alte două antene de transmisie. Ambele operează pe banda de frecvență de 5GHz pentru a crea lungimi de undă suficient de scurte pentru a asigura o rezoluție mai bună și, în același timp, pentru a minimiza posibilitatea interferențelor de la elemente nedorite.

• Google și DeepMind aplică AI pentru a prezice producția parcurilor eoliene

În experimentele efectuate, echipa a raportat că acest model de învățare profundă a obținut o acuratețe de până la 86,4% cu până la 5 persoane. În plus, cu reinstruirea eșantioanelor oferite de modelul de recunoaștere a activității, a obținut o acuratețe de până la 90% în situațiile de predicție.

„Abordarea noastră a reușit să demonstreze acuratețea „acceptabilă” a IA în determinarea numărului de persoane prin intermediul datelor WiFi în contextul schimbărilor complexe de mediu din interiorul unei case. În teorie, dacă putem lua în considerare suficiente cazuri ale mediului interior și le folosim ca șabloane pentru a construi un model robust la o scară mai mare, putem aplica complet această tehnologie în determinarea numărului de obiecte și obiecte într-un interval mult mai mare, ", au spus oamenii de știință.