Fresnel Zone-Based Voting With Capsule Networks for Human Activity Recognition From Channel State Information
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Wireless local-area network (WLAN) sensing offers advantages over other approaches to human activity recognition (HAR) for Internet of Things (IoT) applications, including privacy as well as adaptability to non-line-of-sight scenarios. This is why HAR plays an important role in the upcoming IEEE 802.11bf Wi-Fi standard, which aims to bring the adoption of WLAN sensing to a much larger scale. In this paper, we propose CapsHAR, a model based on capsule networks, which uses channel state information (CSI) from Wi-Fi signals to accurately perform human activity recognition. We evaluate the capability of the model on a variety of datasets, including large and small-scale gestures, as well as compare its performance to a variety of models and approaches. We then extend the CapsHAR model into a distributed architecture in order to eliminate the communication overhead of sending CSI data from multiple access points (AP) to a single server. We propose the use of edge computing to run CapsHAR at each AP separately, then combine the outputs of the models through a Fresnel zone-based voting scheme which makes more efficient use of spatial diversity. Overall, the CapsHAR architecture consistently achieves classification accuracy surpassing that of the state-of-the-art models, demonstrating the viability of capsule networks for reliable HAR in Wi-Fi-based IoT applications.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle