論文の概要: DataLoc+: A Data Augmentation Technique for Machine Learning in
Room-Level Indoor Localization
- arxiv url: http://arxiv.org/abs/2101.10833v1
- Date: Thu, 21 Jan 2021 17:41:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2021-03-21 07:58:51.521880
- Title: DataLoc+: A Data Augmentation Technique for Machine Learning in
Room-Level Indoor Localization
- Title（参考訳）: DataLoc+: ルームレベル屋内ローカライゼーションにおける機械学習のためのデータ拡張手法
- Authors: Amr E Hilal, Ismail Arai, Samy El-Tawab
- Abstract要約: 室内における室内位置推定のためのデータ拡張手法であるDataLoc+を提案する。
本手法は,病院で実施したフィールド実験から収集したデータを用いて,典型的な直接スナップショットアプローチと比較することで評価する。
- 参考スコア（独自算出の注目度）: 0.6961253535504979
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Indoor localization has been a hot area of research over the past two
decades. Since its advent, it has been steadily utilizing the emerging
technologies to improve accuracy, and machine learning has been at the heart of
that. Machine learning has been increasingly used in fingerprint-based indoor
localization to replace or emulate the radio map that is used to predict
locations given a location signature. The prediction quality of a machine
learning model primarily depends on how well the model was trained, which
relies on the amount and quality of data used to train it. Data augmentation
has been used to improve quality of the trained models by synthetically
producing more training data, and several approaches were used in the
literature that tackles the problem of lack of training data from different
angles. In this paper, we propose DataLoc+, a data augmentation technique for
room-level indoor localization that combines different approaches in a simple
algorithm. We evaluate the technique by comparing it to the typical direct
snapshot approach using data collected from a field experiment conducted in a
hospital. Our evaluation shows that the model trained using the proposed
technique achieves higher accuracy. We also show that the technique adapts to
larger problems using a limited dataset while maintaining high accuracy.
- Abstract（参考訳）: 屋内のローカライゼーションは過去20年間、ホットな研究領域だった。
登場以来、新しいテクノロジーを着実に活用して精度を高めてきたが、機械学習はその中心にある。
指紋に基づく屋内位置推定では、位置情報が与えられた位置を予測するために使用される無線地図を置き換えたり、エミュレートするために機械学習がますます使われている。
機械学習モデルの予測品質は、トレーニングに使用されるデータの量と品質に依存するため、モデルがどのようにトレーニングされたかに大きく依存する。
データ拡張は、より多くのトレーニングデータを合成してトレーニングモデルの質を向上させるために使用され、異なる角度からのトレーニングデータの欠如に対処する文献でいくつかのアプローチが用いられた。
本稿では,シンプルなアルゴリズムで異なるアプローチを組み合わせた室内位置推定のためのデータ拡張手法であるDataLoc+を提案する。
本手法は,病院で実施したフィールド実験から収集したデータを用いて,典型的な直接スナップショットアプローチと比較することで評価する。
評価の結果,提案手法を用いて訓練したモデルの方が精度が高いことがわかった。
また,この手法は,高い精度を維持しつつ,限られたデータセットを用いてより大きな問題に適応することを示す。
関連論文リスト
- Leveraging Semi-Supervised Learning to Enhance Data Mining for Image Classification under Limited Labeled Data [35.431340001608476]
従来のデータマイニング手法は、大規模で高次元で複雑なデータに直面すると不十分である。
本研究では,ラベルのないデータを利用するアルゴリズムの能力向上を目的とした,半教師付き学習手法を提案する。
具体的には、自己学習法を採用し、画像の特徴抽出と分類のための畳み込みニューラルネットワーク(CNN)と組み合わせる。
論文 参考訳（メタデータ） (2024-11-27T18:59:50Z) - Exploring Data Redundancy in Real-world Image Classification through
Data Selection [20.389636181891515]
ディープラーニングモデルはトレーニングに大量のデータを必要とすることが多く、結果としてコストが増大する。
実世界の画像データの冗長性を調べるために,シナプスインテリジェンスと勾配ノルムに基づく2つのデータ評価指標を提案する。
オンラインおよびオフラインのデータ選択アルゴリズムは、検査されたデータ値に基づいてクラスタリングとグループ化によって提案される。
論文 参考訳（メタデータ） (2023-06-25T03:31:05Z) - Post-training Model Quantization Using GANs for Synthetic Data
Generation [57.40733249681334]
量子化法における実データを用いたキャリブレーションの代用として合成データを用いた場合について検討する。
本稿では,StyleGAN2-ADAが生成したデータと事前学習したDiStyleGANを用いて定量化したモデルの性能と,実データを用いた量子化とフラクタル画像に基づく代替データ生成手法との比較を行った。
論文 参考訳（メタデータ） (2023-05-10T11:10:09Z) - Simple and Effective Augmentation Methods for CSI Based Indoor
Localization [37.3026733673066]
物理的考察により,チャネル状態情報に基づく屋内位置推定のための2つのアルゴリズムを提案する。
オリジナルのデータセットのサイズの10%は、オリジナルのデータセットと同じパフォーマンスを得るのに十分です。
提案手法によりさらにデータセットを増大させると、テスト精度は3倍以上に向上する。
論文 参考訳（メタデータ） (2022-11-19T20:27:46Z) - Invariance Learning in Deep Neural Networks with Differentiable Laplace
Approximations [76.82124752950148]
我々はデータ拡張を選択するための便利な勾配法を開発した。
我々はKronecker-factored Laplace近似を我々の目的とする限界確率に近似する。
論文 参考訳（メタデータ） (2022-02-22T02:51:11Z) - Efficient training of lightweight neural networks using Online
Self-Acquired Knowledge Distillation [51.66271681532262]
オンライン自己獲得知識蒸留(OSAKD)は、ディープニューラルネットワークの性能をオンライン的に向上することを目的としている。
出力特徴空間におけるデータサンプルの未知確率分布を推定するために、k-nnノンパラメトリック密度推定手法を用いる。
論文 参考訳（メタデータ） (2021-08-26T14:01:04Z) - ALT-MAS: A Data-Efficient Framework for Active Testing of Machine
Learning Algorithms [58.684954492439424]
少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。
ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
論文 参考訳（メタデータ） (2021-04-11T12:14:04Z) - Gradient-guided Loss Masking for Neural Machine Translation [27.609155878513334]
本稿では、トレーニングプロセス中にデータ利用を動的に最適化する戦略を検討する。
本アルゴリズムは,トレーニングデータとクリーンデータとの勾配アライメントを計算し,負のアライメントでデータをマスクアウトする。
3つのwmt言語ペアを実験した結果,本手法は強いベースラインよりも大きな改善をもたらすことがわかった。
論文 参考訳（メタデータ） (2021-02-26T15:41:48Z) - Variational Information Bottleneck Model for Accurate Indoor Position
Recognition [0.0]
室内位置の精度向上のための変分情報ボトルネックモデルを提案する。
提案モデルはエンコーダ構造と予測器構造からなる。
実世界のデータセット上で検証実験を行う。
論文 参考訳（メタデータ） (2021-01-26T09:29:53Z) - Bridging the Reality Gap for Pose Estimation Networks using Sensor-Based
Domain Randomization [1.4290119665435117]
合成データに基づいて訓練された手法は、2Dの領域ランダム化をより発展させるため、2D画像を使用する。
提案手法では,3次元データをネットワークに統合し,ポーズ推定の精度を高める。
3つの大規模ポーズ推定ベンチマーク実験により, 提案手法は, 合成データを用いた従来手法よりも優れていたことがわかった。
論文 参考訳（メタデータ） (2020-11-17T09:12:11Z) - Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。
我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。
そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
論文 参考訳（メタデータ） (2020-05-18T09:36:51Z) - Radioactive data: tracing through training [130.2266320167683]
本稿では,このデータセットに認識不能な変化を生じさせる新しい手法であるEmphradioactive dataを提案する。
訓練されたモデルにより, 放射能データの利用を検知し, 信頼度(p-値)のレベルを提供する。
提案手法はディープネットワーク最適化におけるデータ拡張とバックドア性に対して堅牢である。
論文 参考訳（メタデータ） (2020-02-03T18:41:08Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。