Device-Free Wireless Sensing for Human Detection: The Deep Learning Perspective
Notice bibliographique
Résumé
Currently, developments in wireless sensing technologies have shown that wireless signals can be employed to transmit information between wireless communication devices and are also able to realize passive target wireless sensing. Wireless sensing has diverse Internet-of-Things applications in indoor human detection, such as in device-free localization, activity recognition and fall detection, respiration detection, gait recognition, user identification, and so forth. Deep learning (DL), with the latest breakthroughs in machine learning (ML) and artificial intelligence (AI), seems to be a feasible technique for device-free wireless sensing (DFWS) and human detection in a more intelligent and autonomous manner. Although DL has attracted wide spread attention in computer vision (CV), AI games, speech recognition, automated vehicles, and other fields, its application in wireless sensing systems (WSSs) is relatively new, and little attention has been paid to it. Motivated by these developments, this article clarifies the motivation and mechanism of the DL-aided WSSs for human detection. First, we survey the most advanced architecture of DL that may be powerful for WSSs. We also review conventional ML and DL approaches to human detection based on red green blue (RGB)/depth camera and radar: one reason is to introduce the successful experience in these areas to the field of wireless sensing and another reason is that the possibility of combining and fusing information from the heterogeneous types of sensors is expected to improve the overall performance of practical human detection systems. We provide a comprehensive survey of the state-of-the-art research on wireless sensing for human detection with a focus on WSSs. Furthermore, a general structure of the DL-based WSS is introduced in detail for hitherto unexplored applications and future wireless sensing scenarios. We also discuss some open research issues in wireless sensing for human detection, including data acquisition for DL model training, calibration of signals from commercial devices, multimodal sensing, simultaneous user identification and activity recognition, multiuser human detection, and generalization ability of DL models, to indicate future research directions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».