新wifi技术

全新WiFi技术问世 更适合智能家庭和物联网

腾讯科技[微博] 2016年01月05日05:59

    [摘要]这种新技术可以让信号传播得更远,穿墙性能也比以前的WiFi技术更佳。

    全新WiFi技术问世 更适合智能家庭和物联网

    腾讯科技讯 据美国科技网站TheVerge报道,WiFi似乎已经将消费者家中的大多数设备都连在一起了,那为什么不通过它将智能家电也都连在一起呢?

    虽然这样的想法看似理所当然,但是实际上大多数连网设备厂商一直不愿意使用WiFi,这主要是因为WiFi的耗电量太大了,因此对于很多廉价的微型设备来说,这就是一个巨大的问题。这些微型设备充一次电通常需要用好几个月甚至好几年。

    WiFi联合会(WiFi Alliance)打算改变这种状况,它今日宣布了一种全新的、能够在低功率设备上使用的WiFi技术。据称,这种新的WiFi技术可以让WiFi信号传播得更远,穿墙性能也比以前的WiFi技术更佳。如果WiFi联合会所言非虚的话,那么这种新技术显然更适合智能家庭和物联网设备。

    这种新WiFi技术将被称作WiFi HaLow,它将是即将发布的802.11ah标准的拓展。WiFi联合会打算从2018年的某个时间开始验证HaLow产品,但是首批HaLow产品问世的时间可能会更早一点。

    这种新WiFi技术可以弥补以前的WiFi技术在与蓝牙对比时的短板,它可以被应用到健身追踪器、家庭感应器、安保摄像头或其他家庭设备中。现在,很多设备比如摄像头已经支持WiFi技术了,但是可穿戴设备和感应器中还应用得很少。HaLow将是一种比蓝牙更优秀的解决方案。

    WiFi联合会并未提到蓝牙技术,但它暗示HaLow的性能将比蓝牙技术更强。联合会的营销副总裁凯文·罗宾逊(Kevin Robinson)表示:“HaLow在电池续航时间和其他性能上面将能与现有的技术相媲美。”

    如果HaLow技术真的能够表现得象WiFi联合会所说的那样,那将具有非常重要的意义。它不但能够完全取代蓝牙,而且信号传输距离更远,还能直接与路由器相连,也就是说能够直接与互联网相连。

    现有的手机和路由器必须升级WiFi芯片才能兼容HaLow产品,但是这只是时间早晚的问题,就像5GHz WiFi问世不久就被正式发布了一样。

    HaLow之所以具有这些优势是因为它是在一个更优的频段上运行的。它运行的频段是900MHz频段,而现有的WiFi技术运行的频段是2.4GHz和5GHz频段,900MHz频段的信号传播距离更远,穿透性更强。

    需要指出的是,与现有WiFi技术一样,HaLow技术将在未授权的频段上运行,因此可能会存在一些干扰。

    当然,HaLow技术也有它自身的短板,那就是它并不适于用来快速传输数据。它并不适合用于浏览网页,而更适合用在高频率的微量数据传输上面。设备厂商可以按照各自的需求来定制HaLow以便提高传输速度,但是电池续航时间可能会因此而受到一些影响。

    HaLow可能要等到两年之后才会出现在智能家庭中,但是智能家庭和物联网才刚刚起步,因此HaLow的加盟时机可能并不算晚。罗宾逊表示:“联合会认为HaLow将在物联网领域发挥出巨大的作用。”但他同时也承认,WiFi可能不会是唯一的标准,没有人认为物联网会通过某种单一的连网技术整合在一起。(林靖东)

    • 0
      点赞
    • 0
      收藏
      觉得还不错? 一键收藏
    • 0
      评论
    1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
    评论
    添加红包

    请填写红包祝福语或标题

    红包个数最小为10个

    红包金额最低5元

    当前余额3.43前往充值 >
    需支付:10.00
    成就一亿技术人!
    领取后你会自动成为博主和红包主的粉丝 规则
    hope_wisdom
    发出的红包
    实付
    使用余额支付
    点击重新获取
    扫码支付
    钱包余额 0

    抵扣说明:

    1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
    2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

    余额充值