در این مطلب به طور خلاصه به این پرسش پاسخ داده می‌شود که DensePose From WiFi چیست و چگونه عمل می‌کند. DensePose From WiFi روشی است که در حوزه «Human Sensing» (سنجش حرکات انسان) به کار گرفته می‌شود و در آن‌ از روش‌های یادگیری ماشین و بینایی کامپیوتر استفاده شده است. برای درک بهتر چیسی DensePose From WiFi تا پایان این نوشتار با ما همراه باشید.

DensePose From WiFi چیست؟

اخیراً توسعه سریع مدل‌های یادگیری ماشین برای بینایی کامپیوتر باعث بهبود و قوی‌تر شدن تخمین دوبُعدی و ۳ بُعدی حرکات دریافتی انسان از دوربین‌های RGB، «لایدار» (LiDAR) و ورودی‌های رادارها شده است. البته این رویکردها و روش‌ها معمولاً نیاز به استفاده از سخت‌افزارهای گران‌قیمت و پرمصرف دارد و نگرانی‌های حریم خصوصی مربوط به استقرار آن‌ها در مکان‌های غیرعمومی نیز افزایش یافته است.

تیمی تحقیقاتی در دانشگاه کارنِگی مِلون، این مشکلات را در مقاله جدید «DensePose From WiFi، معرفی DensePose مبتنی بر وایفای» شرح داده‌اند و معماری شبکه عصبی را ارائه کرده‌اند که برای تخمین ژست تراکم انسان در حالت‌های بَرهمایی و حضور چند فرد، فقط و فقط از سیگنال‌های وایفای استفاده می‌کند. محققان باور دارند کارشان می‌تواند کاربردهایی عملی در زمینه نظارت بر سلامت سالمندان یا تشخیص رفتار مشکوک در خانه داشته باشد.

در توضیحات تصویر زیر از مقاله مربوطه آمده است که اولین ردیف در تصویر، وضعیت چینش و راه‌اندازی سخت‌افزار مورد نیاز برای آزمایش را نشان می‌دهد. ردیف‌های دوم و سوم تصویر زیر نیز مربوط به کلیپ‌های دامنه و فاز سیگنال وایفای ورودی می‌شود. ردیف چهارم حاوی تخمین ژست تراکم اسنانی الگوریتم ارائه شده است که تنها از سیگنال وایفای ایجاد می‌شود.

DensePose در سال ۲۰۱۶ معرفی شده است و هدف آن نگاشت پیکسل‌های انسان‌ها در یک تصویر RGB به سطح سه‌بُعدی بدن انسان است. در گذشته Synced تحقیقات دیگری را هم روی کاربرد سیگنال‌های وایفای برای شناسایی حالت انسان‌ها و حرکت افراد در پشت دیوارها و ریسک‌های مرتبط با چنین فناوری‌هایی انجام داده است. این مقاله جدید بر وظیفه مشخصی تمرکز دارد. با داشتن ۳ فرستنده وایفای و ۳ دریافت‌کننده یا رسیور هم‌تراز، مدل چگونه می‌تواند به موثرترین شکل حرکات تراکم‌های انسانی را در حالت‌های در هم آمیخته و حالت‌هایی که چندین انسان حضور دارند، شناسایی و بازیابی کند.

حرکت تراکمی مبتنی بر وایفای ارائه شده توسط تیم تحقیقاتی کارنگی ملون، مختصات UV سطح بدن انسان را با استفاده از سیگنال‌های خام CGI تولید می‌کند که به وسیله دامنه و پاک‌سازی فاز فیلتر و تمیزکاری می‌شوند؛ یعنی یک شبکه ۲ شاخه‌ای کدگذار، کدگشای ترجمه کننده نمونه‌های پاک‌سازی شده CGI به نقشه‌های ویژگی ایجاد می‌شود که مشابه تصاویر هستند. همچنین یک معماری تراکم متحرک «DensePose-RCNN» نیز وجود دارد که از ویژگی‌های ۲ بُعدی با استفاده از گام قبلی برای تخمین نقشه UV نمایش دهنده ارتباط تراکمی میان انسان‌ها به صورت دو بُعدی و سه بُعدی استفاده می‌کند .

تیم تحقیقاتی ارائه دهنده روش DensePose From WiFi همچنین از رویکرد یادگیری انتقال از یک شبکه حرکت تراکمی مبتنی بر تصویر به شبکه مبتنی بر وایفای به منظور کمینه‌سازی مغایرت‌ها میان نقشه‌های ویژگی چندسطحی ایجاد شده، از تصاویر و مواردی استفاده کرده‌اند که از ورودی‌های سیگنال وایفای ایجاد شده‌اند که تصویر بالا مربوط به این روش می‌شود.

در مطالعه تجربی تیم تحقیقاتی دانشگاه کارنگی ملون، این تیم قابلیت شناسایی انسان توسط شیوه ارائه شده یعنی حرکت تراکم‌های مبتنی بر وایفای را مورد ارزیابی و آزمایش قرار داده‌اند و توانایی تخمین حرکت تراکم‌ها را بررسی کرده‌اند. نتیجه نشان می‌دهد که مدل توسعه داده شده می‌تواند حرکت تراکمی چندین سوژه را تنها با استفاده از ورودی‌های دریافتی از وایفای با عملکردی قابل قیاس با روش‌های مبتنی بر تصویر تخمین بزند.

جمع‌بندی

روش DensePose مبتنی بر وایفای گامی به سوی دستیابی به مدلی کم هزینه، بسیار در دسترس و دارای حفظ حریم خصوصی برای «سنجش حرکات انسان» یا همان «Human Sensing» به حساب می‌آید. اگرچه، مدل ارائه شده همچنان در خصوص دسترسی به داده‌های آموزشی عمومی دارای محدودیت است و تیم تحقیقاتی قصد دارد داده‌های چند-طرحی را جمع‌آوری کند و فعالیت خود را به پیش‌بینی سه‌بُعدی شکل بدن انسان از طریق سیگنال‌های وایفای گسترش دهد.

اگر این مطلب مفید بوده است، استفاده از دوره‌های آموزشی و مقالات زیر نیز پیشنهاد می‌شود:

1. مجموعه آموزش‌های پردازش تصویر و ویدئو – مقدماتی تا پیشرفته
2. دوره آموزش پردازش تصویر با اپن سی وی OpenCV
   
3. مجموعه آموزش شبکه‌ های عصبی مصنوعی | مقدماتی تا پیشرفته
4. بینایی ماشین — از صفر تا صد
5. بینایی کامپیوتر چیست؟ — به زبان ساده
6. استفاده از یادگیری عمیق برای بینایی ماشین — به زبان ساده
7. پیدا کردن خط عبور با روش های بینایی کامپیوتر — راهنمای کاربردی
8. تفسیر مدل های یادگیری عمیق در بینایی کامپیوتر — راهنمای جامع
9. نقشه راه هوش مصنوعی برای یادگیری و ورود به بازار کار

 

منبع [+]