Wi-Fi|千万别在有WiFi的房间里摆这种姿势( 二 ) 监控|无线路由器|千万别在有

文章图片

具体来说，模型通过三个分量从WiFi信号中生成人体表面的UV坐标。
首先，通过振幅和相位Sanitization步骤对原始CSI信号进行“净化”处理。

文章图片

然后，将处理过的CSI信号通过双分支编码器-解码器网络转换为2D特征图。

文章图片

接着，将2D特征馈送到一个叫做DensePose RCNN的架构中。
该架构灵感就来自Facebook已经开源的人体姿势实时识别系统DensePose 。DensePose入选了2018年CVPR的Oral环节，主要是把2D图像转换成3D人体模型。
所以这步的目的就是算出2D特征图对应的3D姿态，也就是估计出UV坐标。

文章图片

最后，在训练主网络之前，作者还将用图像生成的多层次特征图与WiFi信号生成的多水平特征图之间的差异进行了最小化，进一步完善了最终结果。

文章图片

尽管我们从肉眼看上去，两种方法的最终结果差不多，但在数据方面，基于图像的方法效果还是更好一些。
比如在同样环境布局下，基于WiFi方法的精确度都低于图像方法。

文章图片

△数值越高意味着越好
不同环境布局的情况也是如此。

文章图片

与此同时，如果遇到数据集中不包含的动作，该方法也无法识别成功。如果人数超过3个，也发生“丢人”情况。
下图中左边两幅是罕见动作失败案例，右边两幅是3人以上识别失败情况。
不过团队认为，如上问题可以通过进一步扩充数据集来解决。
除此之外，该方法对路由器的放置位置要求很高，并且会对其他WiFi网络造成影响。
来自CMU团队，有2位华人作者
论文一作为Jiaqi Geng ，他来自卡耐基梅隆大学，去年8月获得了机器人专业硕士学位。
另一位华人作者是Dong Huang ，他现在是卡耐基梅隆大学高级项目科学家。
他的研究方向一直都是利用深度学习进行信号识别。比如之前已经实现了用WiFi信号实时识别2D人体姿态。
最后一位作者是Fernando De la Torre ，他现在卡耐基梅隆大学机器人研究所副教授。
他的研究方向主要为计算机视觉，涉及领域包括人体姿态识别、AR/VR等。
2014年曾创办过一家开发人脸识别技术的公司FacioMetrics LLC ， 2年后被Facebook收购。
作者团队表示，目前该方法性能还受限于可用来训练的数据不多，未来，他们计划扩充数据集。