search

moyahuang / 2020Flag

2020年莫莫哒要疯狂立flag！然后疯狂拔flag！
https://moyahuang.github.io/2020Flag/
0 stars 2 forks source link

Paper #9

Open moyahuang opened 4 years ago

moyahuang commented 4 years ago

🎯目标 2020年内发一篇SCI

实施途径：

1. 先读20篇文献

关键词 :key:visible light/ambient light/sensing/positioning/localization/communication/ gesture recognition/ambient intelligence/gesture recognition/optical wireless communication/tracking/gesture recognition/optics/skeleton reconstruction/skeleton tracking 大牛 Tianxing Li 3D重建 Shang Ma 编码投影 已读

localization/motion tracking

visible light

📖 1. |J.OE.2020| A high-accuracy scheme based on look-up table for motion detection in optical camera communication system 📖 2. |J.Sensors.2020| Passive Visible Light Detection Of Humans 📖 3. |C.Transactions on Consumer Electronics.2004| Fundamental analysis for visible-light communication system using LED lights 📖 4. |C.InfoCom.2018| Eyelight: Light-and-Shadow-Based Occupancy Estimation and Room Activity Recognition 📖 5. |J.Sensors.2020 | Recent Advances in Indoor Localization via Visible Lights: A Survey. 📖 6. |J.ShangMa.InternetofThings.2019| Projected visible light for 3D finger tracking and device augmentation on everyday objects 📖 7. |J.ShangMa.InternetofThings.2017| Foglight: Visible Light-Enabled Indoor Localization System for Low-Power IoT Devices 📖 8. | C.workshop.WearSys.2019| Position: Wearable Polymorphic Light Sensors 📖 9. | C.MobiCom.2014 | Luxapose:Indoor Positioning with Mobile Phones and Visible Light 📖 10. | C.MobiSys.2017 | Enabling High-Precision Visible Light Localizationin Today’s Buildings 📖 11. | C.InfoCom.2018 | RETRO: Retroreflector Based Visible Light Indoor Localization for Real-time Tracking of IoT Devices

WiFi

📖 1. | C.NSDI.2013 | ArrayTrack: a fine-grained indoor location system

gesture recognition

📖 1. | C.IMWUT.2018.LiGest| Gesture Recognition Using Ambient Light 📖 2. | C. MobiCom.2015.LiSense.Tianxing Li| Human Sensing Using Visible Light Communication 📖 3. | C.MobiSys.2016.StarLight.Tianxing Li| Practical Human Sensing in the Light 📖 [4. | C.UbiComp.2017.AiLamp.Tianxing Li| Reconstructing Hand Poses Using Visible Light]() 📖 5. | C.MobiCom.2019. Dong Ma| SolarGest: Ubiquitous and Battery-free Gesture Recognition using Solar Cells 📖 6. | C.UIST.2018.Tianxing Li| Self-powered gesture recognition with ambient light 📖 7. |Dartmouth Report| Reusing Ambient Light to Recognize Hand Gestures

human activity recognition

📖 1. | J.Sensors.2016| Deep Convolutional and LSTM Recurrent Neural Networks for Multimodal Wearable Activity Recognition 未读 📕 6. O.arxiv.2020 | Location-Enabled IoT (LE-IoT): A Survey of Positioning Techniques, Error Sources, and Mitigation 📕 7. O.arxiv.2020 | Feasibility of Video-based Sub-meter Localization on Resource-constrained Platforms 📕

visible light/optics simulation

📕 📕

2. 确定研究点

3. 确定实验方法

4. 实验

5. 写论文

moyahuang commented 4 years ago

领域会议

网络和通信 MobiCom: Annual International Conference on Mobile Computing and Networking InfoCom: IEEE International Conference on Computer Communications SigComm: ACM SIGCOMM Conference NSDI: Symposium on Networked Systems Design and Implementation ICC: IEEE International Conference on Communications Ubicomp: ACM Conference on Pervasive and Ubiquitous Computing (UbiComp) IMWUT：ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies BMVC

人机交互 CHI：Computer Human Interaction UIST：ACM Symposium on User Interface Software and Technology Mobisys: Annual International Conference on Mobile Systems, Applications, and Services

领域期刊

期刊名 期刊指标 中科院分区 大类学科 SCI/SCIE 是否OA Top期刊 审稿周期
SENSORS h-index:132
CiteScore:3.72		 2 工程技术 SCIE Y Y 1.7m
Optics Express h-index:240
CiteScore:3.98		 2 物理 SCI/SCIE Y N 1.2m
NeuroComputing h-index:110
CiteScore:5		 2 工程技术 SCIE N 是 5.7m
IEEE Access h-index:56
CiteScore:4.96		 2 工程技术 SCIE Y 否
Internet of Things h-index:47
CiteScore:11.33		 1 计算机科学 SCIE N 是 3m

参考

http://www.guide2research.com/topconf/ https://www.letpub.com.cn/index.php?page=journalapp&view=search

moyahuang commented 4 years ago

如何科研

https://m.weibo.cn/status/4321054094956970? https://www.zhihu.com/question/304334959/answer/553782865

以目标为导向的阅读文献四步走策略

第一步 筛选论文

目标：确定一篇文章是否值得继续阅读

  1. 读标题和关键词
  2. 读摘要和结论

    第二步 粗读文章

    目标：确定这篇文章是否值得精读 1. 读图表和注释

  3. 读引言

    第三步 精读文章

    目标：了解实验方法等具体细节，为自己的科研工作做参考

  4. 精读结果和讨论 2. 特别关注实验方法 反复研读 注意不要从头读到尾

    第四步 做笔记

    目标：梳理自己的理解，列出核心信息，便于日后快速检索

科研工具

Contour plot+color mapping 等值线图

moyahuang commented 4 years ago

论文梗概

定位和动态检测

1. [偏实验] 手指动态检测：

LED（快速闪烁加载数据）作为信号发送方，手机摄像头（卷帘快门模式）作为信号接收方。将摄像头分为两个区域，一部分用作通信，另一部分用作动态检测。动态检测的原理是，将空间分为八个方向并分别用字母编号，计算连续的几个位移的斜率转换为相应的字母。一个动作产生的字符串将与维护的表中的字符串进行匹配（计算编辑距离）可识别0-9以及横向纵向斜向横拐纵拐共16个动作。

2. [偏实验] 使用反射光收集大量不同实验条件下的接收信号强度数据

灯具和光电二极管（各1个）都装载在天花板上，主要就是做大量的实验来收集不同颜色的T恤，接收器和发送器距离以及高度对接收信号强度模式(RSS pattern，同一时间点的空间特点)以及接受强度lapse（同一空间点的时间维度上的特征趋势）。这个论文将44m的空间分为100100个网格，工作量很大。文章提出可以使用AI或者模拟实验推算RSS。

3. [偏理论|经典]室内LED实现高速率通信的分析

LED设计（照明/辐射能量）、接收信号强度（直接/反射）、码间干扰（通信上的噪音)、速率和FOV。

4. [偏系统]室内跟踪定位、人数估计和行为检测

将LED等进行改造采用时分信号编码区分光源（实现定位），光电二极管放于天花板（利用反射光）。人数估计和行为检测，AdaBoost（ensemble learning）。

5. [综述] 可见光定位最新综述

一、修改光源 a. 修改光源的编码方式（主流OOK/PWM/CDMA) b. 分情况使用接收信号强度和惯性测量单元的数据（加速度计/陀螺仪/磁力计）。具体来说： 当光源数量大于3时，用三边测量法定位。否则，用户需手动调整辅助惯性测量单元定位。 （不懂）c. 使用偏振光（解决接收器处理高频率信号的闪烁问题）在光源和手机摄像头都加一层偏振膜。使用分散器将灯光分为不同的颜色。 （不懂）d. 使用凸透镜分解光 e. 编码的投影（ f. 利用反射光（光电二极管：EyeLight, 摄像头：StarLit) （不懂）g. ambient light sensor? 难道不都是吗 （不懂）h. dimmable LED 二、不修改光源（感应器可能需要哦更复杂的信号处理技术和定位算法） a. iLamp称所有的灯源都有其独特的特性，并以此区分不同的光源（记录到数据库中）。结合三种不同的感应器数据，确定3d位置（摄像头、陀螺仪和加速度计）。为减少能量消耗，摄像头周期性开关。 b. Pulsar使用稀疏摄影测量法确定光源（已知位置）的到达角度，若有三个及以上的光源则还可以测定方向 c. 使用摄像头捕捉荧光灯的频率。分阶段定位。粗略定位使用KNN进行锁定，细颗粒定位使用DTW对动态收集的数据归一化找到最佳选择。 d. 基于影子信息的人体姿势重建 e. 反光镜

6. [偏系统和实验] 编码投影（自含位置信息）3D手指跟踪技术

通过投影包含位置信息的光屏，将任何平面变成一个可交互的平面。在每个手指上绑定一个感应器，十个感应器收集当前数据并解析为原位置信息，从而实现跟踪。文章对系统的精度、延时、刷新率、不同光环境下都做了测试。并且设计了相关应用（画画，AR。。。）。最后对系统进行深度检测做了探索。

7. [偏系统和实验] 编码投影（自含位置）设备定位（这篇论文被5提到）

论文的结构、实验方法和步骤都和上文差不多。做了很丰富的工作。 architecture

8. [偏系统] 使用backscatter传输可见光光谱的可穿戴设备

可用于提示光线状况

9. [偏系统和实验] 使用COTS手机摄像头实现室内定位

这里又提到了手机摄像头的卷帘模式（rolling shutter effect），使用这种模式只要捕捉到一张图片，图中只要包含四个及以上的LED灯源即可使用AOA实现定位和方向判定。图像处理部分使用了OpenCV。很多论文都提到了问题变成了优化问题，（对于如何应对图片中的光源个数不同的问题文章也给了方案）。 注意：本文引言部分提到了一些可见光定位仿真系统 JDGN1s.jpg

10. [ 偏算法和实验| CV] 使用每个光源独特的特征区分光源实现定位

使用光源自身独特的光辐射差异作为区分光源的主要特征，同时辅以手机环境光感应器和图像作为辅助特征进行预筛选，使系统满足实时需求。识别出光源后利用摄影测量法确定用户位置和方向。 📷

11. [ ]基于反光镜的可见光实时定位IoT设备

现有的基于可见光通信的定位方法不能用来定位小型的物联网设备，本文使用反光镜将光线反射回其光源，实现设备的定位。//todo

moyahuang commented 4 years ago

手势识别

1. [偏系统和算法] 基于环境光的人体姿势识别

基于环境光的系统一般基于影子。机器学习预定的姿势，然后实现实时进行姿势识别。 LiGest主要的工作在于实现做了很多的预处理工作使系统对光源环境、用户位置和方向和不同用户的鲁棒性。主要对比对象是Tianxing Li的StarLight和LiSense。预处理工作包括对训练样本进行去噪、信号标准化、小波变换、栅格化以及主要成分分析。最后使用支持向量机进行分类。分类的姿态包括步行、跳、鼓掌等。

2. [偏系统和算法] VLC实现人体骨骼三维重建

LiSense是领域中同类型的首创。324个感应器节点部署在地面上，通过多个二位影子图片推导其3D骨骼状态。论文先进行了小实验环境的模拟后扩展到3*3的真实环境。 VLC部分使用FFT，检测光源ID n是否被遮挡。 三维重建部分因为传统CV方法使用高分辨率具有深度信息的视频帧而不能重用，LiSense结合多个低分辨率进行姿势推测，使用kalman过滤器实现动作的连贯并减少重建误差。 作者经过实验环境的测试确定了以下几点：1）角误差率 2）影子图的生成时间仅11.8 3）16m的影子图的分析时间 4）不同光线条件和用户身材的鲁棒性

3. [偏系统和算法] VLC实现实用的人体骨骼三维重建

StarLight对于LiSense的改进在于1）地板上只部署了20个光电二极管 2）考虑了实际情况下家具以及其他物体对光线的遮挡。3）可以实现对用户的动态追踪（包括位置和方向）

4. [偏系统和算法]VLC实现3D手势骨骼重建

//todo;

5. [偏实验]实用太阳能板进行手势识别

[信号处理][机器学习实现动作分类] SolarGest发表于MobiCom19。与其他手势识别系统相比，将感应器换为了太阳能板。一个太阳能板只有一个动态的感应读数，因此只能通过改变手掌距离太阳能板的距离（上下位移），改变遮挡太阳能板的面积（左右位移)。而且说实话持续的上下位移和左右位移的数据表现差不多。我并不认为达到了真正意义上的手势识别。 本文贡献：1）借用solar engery harvesting laws, 构建了太阳能仿真模型 2) 在数据预处理上使用了DWT(离散小波变换）、DTW和Z-score transformation（这两个方法很常见，LiGest也用到了）以处理不同光线环境、手大小、角度、动作速率和手距离太阳能板的距离造成的影响 3）用有机材料制作了两种不同透明度（energy harvesting density也就不同）的太阳能电池 4）实验证明能量消耗减少44% 特征工程和分类方面: 选取了26个human-related sensing时域和频域上的典型特征；DWT系数（不懂）；使用了四种典型分类型，SVM/KNN/DT/RF并做了对比。

6. [偏系统] 基于环境光的无电力手势识别系统和方法

使用光电二极管作为感应器同时实现能量收集（光伏模式），论文开发了两个系统：智能眼镜和智能手表。可识别手势如下： JwT3O1.jpg 为克服不可预期的变化的环境光线环境（例如白云飘过、树叶落下、用户走动造成的数据浮动）论文使用CFAR（constant false alarm rate)pulse alarm算法进行识别任务。这种算法无须进行训练。

7. [偏系统和实验]基于环境光的手势识别

这篇论文被我列为ACCESS那篇论文的主要参考文章。因为除了感应器的排布和分类识别的方法不一样，大体的idea是一样的。这篇论文与FingerLite的主要区别是1. 手势主要是动态手势，主要依赖的是时间特征；FingerLite我认为主要依赖的是空间特征 2. 针对数据点过多的问题使用KNN（较为快速）作为分类方法，LDA作为降维技术。3. 对数据做了归一化和标准化的预处理

moyahuang commented 4 years ago

人体行为识别

1. [偏实验] 使用卷积和LSTM循环神经网络实现多模态可穿戴设备的人体行为识别

a. 提出了结合卷积和LSTM的神经网络框架（深度学习特点：不需要做特征工程，以及极少的数据预处理） b. 对两种HAR问题进行了测试验证框架有效性 c. 单模态也可，多模态表现更好 d. 使用两个数据集进行了验证

moyahuang commented 4 years ago

文献精读

📖 2. |J.Sensors.2020| Passive Visible Light Detection Of Humans 脑图 https://naotu.baidu.com/file/9304a16be6a3fc77fd20e4af8e60e5b7