Puede que no lo sepas, pero los datos WiFi se pueden aplicar a muchos propósitos interesantes. Además de la información básica, como la intensidad de la señal, la velocidad de conexión o el nivel de seguridad, los datos WiFi también pueden brindarnos mucha información sobre los objetos conectados, como en la determinación. Vea cuántas personas hay cerca de un punto de acceso específico. En un nuevo artículo publicado recientemente con el título: ‘DeepCount: Crowd Counting con WiFi a través de Deep Learning’ – aproximadamente traducido: Estime el número de personas en una multitud a través de datos WiFi, publicado en el sitio web Arxiv.org ha logrado desarrollar IA – Modelo de identidad operativa DeepCount, que ayuda a estimar la cantidad de personas en una habitación a partir de datos inalámbricos.
- El 91% de los gerentes de tecnología creen que la IA será el centro de la próxima revolución tecnológica
El trabajo se llevó a cabo poco después de que investigadores de la Universidad de Ryerson en Toronto anunciaran una red neuronal que podría ayudar a determinar si el propietario de un teléfono inteligente está caminando, en bicicleta o conduciendo. alrededor de algunas áreas de la ciudad utilizando datos WiFi y, al mismo tiempo, otro estudio de la Universidad de Purdue también ha logrado desarrollar un sistema que utiliza registros de acceso WiFi para el análisis de relaciones. Contactos entre usuarios, sus ubicaciones y actividades.
En este último estudio, los científicos aprovecharon la información de estado del canal (CSI), específicamente la fase y la amplitud, para crear un sistema de dos modelos de inteligencia artificial. Incluye un modelo de identificación activa y un modelo de aprendizaje profundo. El modelo de aprendizaje profundo tiene la tarea de evaluar la correlación entre la cantidad de personas y canales mapeando sus actividades a CSI, mientras que el modelo de identidad operativa será responsable de registrar la información cuando alguien entre o salga de la habitación a través de un ‘interruptor electrónico’. . En el caso de dos modelos que obtienen datos incompatibles, por ejemplo, si el modelo de identidad operativa registra una mayor cantidad de personas que el modelo de aprendizaje profundo, DeepCount utilizará esa diferencia para volver a entrenar el modelo. aprendizaje profundo.
- El experto de McAfee explicó cómo deepfake y AI están perforando el muro de seguridad cibernética
Además, los investigadores han recopilado un conjunto de 800 muestras de CSI de 10 voluntarios para participar en una variedad de tareas, incluidas actividades como saludar con la mano, escribir a máquina y sentarse. , caminar, hablar y comer (aproximadamente el 80% de la muestra de cada clase se utiliza con fines de formación y el resto se utiliza como kit de prueba). Para entrenar el modelo de identidad operativa, los científicos primero deben realizar el procesamiento de datos de amplitud para eliminar el ruido y los elementos no deseados, luego extraer la información de características. El entrenamiento de aprendizaje profundo es similar a la etapa de preprocesamiento, pero se realiza con datos de fase fuera de banda.
DeepCount que se ejecuta en una computadora portátil tiene tres antenas receptoras, modificadas para informar los datos del estado del canal, y también están conectadas a enrutadores y otras dos antenas transmisoras. Ambos operan en la banda de 5 GHz para poder producir longitudes de onda lo suficientemente cortas como para asegurar una mejor resolución y también para minimizar la capacidad de intervenir de elementos no deseados.
- Google y DeepMind aplican IA para predecir la producción de parques eólicos
En los experimentos realizados, el equipo de investigación informó que este modelo de aprendizaje profundo logró una precisión de hasta el 86,4% con hasta 5 personas. Además, con el reentrenamiento de los modelos proporcionado por el modelo de identidad operativa, se ha logrado una precisión en situaciones anticipadas de hasta el 90%.
Nuestro enfoque puede mostrar el nivel ‘aceptable’ de inteligencia artificial para determinar la cantidad de personas a través de datos WiFi en el contexto de cambios complejos en el entorno dentro de un trono. hogar. En teoría, si es posible tener en cuenta la gama completa de entornos interiores y utilizarlos como modelos para construir un modelo más sólido a mayor escala, podemos aplicar completamente esta tecnología en La determinación del número de objetos y objetos en un rango mucho más amplio ”, dijeron los científicos.
OMS modelo de aprendizaje profundo red neuronal inteligencia artificial Deep Learning
Puede que no lo sepas, pero los datos WiFi se pueden aplicar a muchos propósitos interesantes. Además de la información básica, como la intensidad de la señal, la velocidad de conexión o el nivel de seguridad, los datos WiFi también pueden brindarnos mucha información sobre los objetos conectados, como en la determinación. Vea cuántas personas hay cerca de un punto de acceso específico. En un nuevo artículo publicado recientemente con el título: ‘DeepCount: Crowd Counting con WiFi a través de Deep Learning’ – aproximadamente traducido: Estime el número de personas en una multitud a través de datos WiFi, publicado en el sitio web Arxiv.org ha logrado desarrollar IA – Modelo de identidad operativa DeepCount, que ayuda a estimar la cantidad de personas en una habitación a partir de datos inalámbricos.
- El 91% de los gerentes de tecnología creen que la IA será el centro de la próxima revolución tecnológica
El trabajo se llevó a cabo poco después de que investigadores de la Universidad de Ryerson en Toronto anunciaran una red neuronal que podría ayudar a determinar si el propietario de un teléfono inteligente está caminando, en bicicleta o conduciendo. alrededor de algunas áreas de la ciudad utilizando datos WiFi y, al mismo tiempo, otro estudio de la Universidad de Purdue también ha logrado desarrollar un sistema que utiliza registros de acceso WiFi para el análisis de relaciones. Contactos entre usuarios, sus ubicaciones y actividades.
En este último estudio, los científicos aprovecharon la información de estado del canal (CSI), específicamente la fase y la amplitud, para crear un sistema de dos modelos de inteligencia artificial. Incluye un modelo de identificación activa y un modelo de aprendizaje profundo. El modelo de aprendizaje profundo tiene la tarea de evaluar la correlación entre la cantidad de personas y canales mapeando sus actividades a CSI, mientras que el modelo de identidad operativa será responsable de registrar la información cuando alguien entre o salga de la habitación a través de un ‘interruptor electrónico’. . En el caso de dos modelos que obtienen datos incompatibles, por ejemplo, si el modelo de identidad operativa registra una mayor cantidad de personas que el modelo de aprendizaje profundo, DeepCount utilizará esa diferencia para volver a entrenar el modelo. aprendizaje profundo.
- El experto de McAfee explicó cómo deepfake y AI están perforando el muro de seguridad cibernética
Además, los investigadores han recopilado un conjunto de 800 muestras de CSI de 10 voluntarios para participar en una variedad de tareas, incluidas actividades como saludar, escribir a máquina y sentarse. , caminar, hablar y comer (aproximadamente el 80% de la muestra de cada clase se utiliza con fines de formación y el resto se utiliza como kit de prueba). Para entrenar el modelo de identidad operativa, los científicos primero deben realizar el procesamiento de datos de amplitud para eliminar el ruido y los elementos no deseados, luego extraer la información de características. El entrenamiento de aprendizaje profundo es similar a la etapa de preprocesamiento, pero se realiza con datos de fase fuera de banda.
DeepCount que se ejecuta en una computadora portátil tiene tres antenas receptoras, modificadas para informar los datos del estado del canal, y también están conectadas a enrutadores y otras dos antenas transmisoras. Ambos operan en la banda de 5GHz para poder producir longitudes de onda lo suficientemente cortas como para asegurar una mejor resolución y también para minimizar la capacidad de intervenir de elementos no deseados.
- Google y DeepMind aplican IA para predecir la producción de parques eólicos
En los experimentos realizados, el equipo de investigación informó que este modelo de aprendizaje profundo logró una precisión de hasta el 86,4% con hasta 5 personas. Además, con el reentrenamiento de los modelos proporcionado por el modelo de identidad operativa, se ha logrado una precisión en situaciones anticipadas de hasta el 90%.
Nuestro enfoque puede mostrar el nivel ‘aceptable’ de inteligencia artificial para determinar la cantidad de personas a través de datos WiFi en el contexto de cambios complejos en el entorno dentro de un trono. hogar. En teoría, si es posible tener en cuenta la gama completa de entornos interiores y utilizarlos como modelos para construir un modelo más sólido a mayor escala, podemos aplicar completamente esta tecnología en La determinación del número de objetos y objetos en un rango mucho más amplio ‘, dijeron los científicos.