厉害了这个人工智能通过Wifi就能知道

这个AI有点Amazing!

当看到这个AI模型和使用场景时，不得不发出这样的感叹。

简单概述一下，就是这个AI可以使用Wi-Fi使用数据量，来估算一个房间里有多少人。

这个使用场景比较好理解，但是通过技术实现起来，也没有想象的那么简单。我们在预印本平台Arxiv.org上的一篇论文得以了解到其实现的技术。

这篇研究论文《DeepCount：通过深度学习使用WiFi进行人群计数》中，科学家们描述了一种AI活动识别模型：DeepCount，它可以根据无线Wi-Fi数据推断房间的人口规模。

就在不久之前，多伦多瑞尔森大学(RyersonUniversity)的研究人员展示了一种神经网络，可以利用Wi-Fi数据确定智能手机用户是在步行、骑自行车还是在几个街区开车。

此外，普渡大学(PurdueUniversity)的研究人员开发了另外一种系统，利用Wi-Fi访问日志来推测用户、地点和活动之间的关系。

而今天重点介绍的这项最新研究中，该小组利用通道状态信息(CSI)，特别是相位和振幅，创建了一个由活动识别模型和深度学习模型组成的两个模型系统。

深度学习模式的任务是通过将这些人的活动映射到CSI，将这些人的人数和渠道联系起来，而前者是在有人通过电子开关进入或离开房间时识别出来的。

如果两个模型的总体数量不一致，例如如果活动识别模型记录的数量高于深度学习模型，DeepCount则会使用这种差异来重新训练深度学习模型。

研究人员收集了来自10名志愿者的份CSI样本，这些志愿者参与了一系列任务，包括挥手、打字、坐下、散步、交谈和吃饭(每个班级中约80%的样本用于训练，其余的样本用作测试集)。

为了训练活动识别模型，他们首先对振幅数据进行预处理，去除不需要的噪声和干扰，然后提取特征信息。深度学习模型的训练同样涉及预处理，但除了振幅外，还需要相位数据。DeepCount在笔记本电脑上运行，其中三个接收天线经过修改以报告信道状态数据，该数据通过两个发射天线连接到一台路由器上。两者都工作在5GHz的频带上，目的是“使波长足够短，以确保更好的分辨率”，并减少干扰的可能性。

在实验中，作者报告说，在五个人的情况下，深度学习模型的准确率达到了86.4%，通过对活动识别模型提供的样本进行再培训，它成功地达到了90%的预测精度。

研究人员认为其方法可以在室内环境复杂变化的情况下显示出可接受的准确性，这意味着它工作得相当稳健。

他们还讲到，“从理论上，如果我们能够考虑到室内环境中的足够多的情况，并将这些情况作为样本来构建一个可靠的模型，我们就可以在相同的环境中重用该模型。”

基于此项研究，我们也可以就其应用场景进行扩展，比如通过某个写字楼里的数据，就可以推算出大致的人数；而通过某个区域不同时间的Wifi使用数据，也能得出当下的拥挤程度。而在AIoT万物互联的新浪潮下，通过对使用流量的计算，进而计算所连接设备的数量和状态，也成为此系统的用武之地。

通过对Wifi使用量的研究，再延展出如此落地的使用场景，这正是AI在创新性的研究中展现出的活力。

转载请注明：http://www.abuoumao.com/hyls/3577.html