論文の概要: DeepBLE: Generalizing RSSI-based Localization Across Different Devices
- arxiv url: http://arxiv.org/abs/2103.00252v1
- Date: Sat, 27 Feb 2021 15:44:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-03 17:04:49.725922
- Title: DeepBLE: Generalizing RSSI-based Localization Across Different Devices
- Title（参考訳）: DeepBLE:異なるデバイス間でRSSIベースのローカリゼーションを一般化
- Authors: Harsh Agarwal, Navyata Sanghvi, Vivek Roy, Kris Kitani
- Abstract要約: 複数のビーコンから計測されたRSSIを用いてスマートフォンをローカライズする,ディープリカレントネットワークであるDeepBLEを用いたデータ駆動型アプローチを提案する。
実験の結果,スマートフォンモデル間でのRSSI測定のばらつきは極めて高いことがわかった。
そこで本研究では,半教師付き学習手法を用いて,新たな統計類似性損失(SSL)を提案する。
- 参考スコア（独自算出の注目度）: 16.6944151381746
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Accurate smartphone localization (< 1-meter error) for indoor navigation
using only RSSI received from a set of BLE beacons remains a challenging
problem, due to the inherent noise of RSSI measurements. To overcome the large
variance in RSSI measurements, we propose a data-driven approach that uses a
deep recurrent network, DeepBLE, to localize the smartphone using RSSI measured
from multiple beacons in an environment. In particular, we focus on the ability
of our approach to generalize across many smartphone brands (e.g., Apple,
Samsung) and models (e.g., iPhone 8, S10). Towards this end, we collect a
large-scale dataset of 15 hours of smartphone data, which consists of over
50,000 BLE beacon RSSI measurements collected from 47 beacons in a single
building using 15 different popular smartphone models, along with precise 2D
location annotations. Our experiments show that there is a very high
variability of RSSI measurements across smartphone models (especially across
brand), making it very difficult to apply supervised learning using only a
subset of smartphone models. To address this challenge, we propose a novel
statistic similarity loss (SSL) which enables our model to generalize to unseen
phones using a semi-supervised learning approach. For known phones, the iPhone
XR achieves the best mean distance error of 0.84 meters. For unknown phones,
the Huawei Mate20 Pro shows the greatest improvement, cutting error by over
38\% from 2.62 meters to 1.63 meters error using our semi-supervised adaptation
method.
- Abstract（参考訳）: BLEビーコンのセットから受信したRSSIのみを使用して屋内ナビゲーション用の正確なスマートフォンのローカリゼーション(<1メートル誤差)は、RSSI測定の固有のノイズのために挑戦的な問題です。
RSSI測定における大きなばらつきを克服するために,複数のビーコンから測定したRSSIを環境中からローカライズするディープBLEを用いたデータ駆動方式を提案する。
特に、多くのスマートフォンブランド(Apple、Samsungなど)とモデル(iPhone 8、S10など)にまたがって、私たちのアプローチを一般化する能力に焦点を当てます。
この目的のために、我々は15の異なる人気スマートフォンモデルを使用して、単一の建物に47ビーコンから収集された50,000以上のBLEビーコンRSSI測定と正確な2D位置情報アノテーションからなる15時間のスマートフォンデータの大規模なデータセットを収集します。
我々の実験は、スマートフォンモデル(特にブランド)間でRSSI測定のばらつきが非常に高いことを示し、スマートフォンモデルのサブセットのみを使用して教師あり学習を適用することは極めて困難である。
そこで本研究では,本モデルが半教師付き学習手法を用いて未知の電話機に一般化できる,新たな統計的類似度損失(SSL)を提案する。
既知の携帯電話の場合、iPhone XRは0.84メートルの最高の平均距離誤差を達成します。
未知のスマートフォンでは、Huawei Mate20 Proが最大の改善を示し、2.62mから1.63mまでの誤差を38\%以上削減しています。
関連論文リスト
- BeSound: Bluetooth-Based Position Estimation Enhancing with Cross-Modality Distillation [4.831029473163422]
労働者のプライバシーと技術保護に関する懸念は、代替アプローチを検討する必要がある。
本稿では,Bluetooth Low Energy (BLE) と超音波座標を用いた非視覚的,スケーラブルなソリューションを提案する。
論文 参考訳（メタデータ） (2024-04-24T17:26:17Z) - Improved Indoor Localization with Machine Learning Techniques for IoT
applications [0.0]
本研究では, 教師付き回帰器, 教師付き分類器, RSSIを用いた屋内位置推定のためのアンサンブル手法の3段階に機械学習アルゴリズムを適用した。
実験の結果は、屋内環境におけるローカライズ精度とロバスト性の観点から、異なる教師付き機械学習技術の有効性に関する洞察を与える。
論文 参考訳（メタデータ） (2024-02-18T02:55:19Z) - SqueezerFaceNet: Reducing a Small Face Recognition CNN Even More Via
Filter Pruning [55.84746218227712]
我々は,100万パラメータ未満の軽量顔認識ネットワークであるSqueezerFaceNetを開発した。
性能を損なうことなく、さらに(最大40%)削減できることを示す。
論文 参考訳（メタデータ） (2023-07-20T08:38:50Z) - Collaborative Learning with a Drone Orchestrator [79.75113006257872]
インテリジェントな無線デバイス群は、ドローンの助けを借りて共有ニューラルネットワークモデルを訓練する。
提案したフレームワークは,トレーニングの大幅な高速化を実現し,ドローンホバリング時間の平均24%と87%の削減を実現している。
論文 参考訳（メタデータ） (2023-03-03T23:46:25Z) - Automatic Contact Tracing using Bluetooth Low Energy Signals and IMU
Sensor Readings [0.0]
本稿では,SFI Centre for Machine Learning (ML-Labs) が提供する課題に対する解決策を提案する。
NIST Too Close For Too Long (TC4TL) Challengeの修正版であり、時間的側面は除外されている。
本稿では,Bluetooth RSSI と IMU センサデータに基づく特徴に基づく手法を提案する。
論文 参考訳（メタデータ） (2022-06-13T10:39:03Z) - Multi-Head Attention Neural Network for Smartphone Invariant Indoor
Localization [3.577310844634503]
RSSIフィンガープリントと共にスマートフォンは、低コストで高精度な屋内ローカライゼーションソリューションを提供するための効率的なアプローチとして機能する。
デバイスの不均一性に耐性を持つマルチヘッド型ニューラルネットワークを用いた屋内位置決めフレームワークを提案する。
提案手法の詳細な分析により,最先端の屋内局地化技術と比較して最大35%の精度向上が得られた。
論文 参考訳（メタデータ） (2022-05-17T03:08:09Z) - A lightweight and accurate YOLO-like network for small target detection
in Aerial Imagery [94.78943497436492]
小型ターゲット検出のためのシンプルで高速で効率的なネットワークであるYOLO-Sを提案する。
YOLO-SはDarknet20をベースとした小さな特徴抽出器と、バイパスと連結の両方を通じて接続をスキップする。
YOLO-Sはパラメータサイズが87%減少し、約半分のFLOPがYOLOv3となり、低消費電力の産業用アプリケーションに実用化された。
論文 参考訳（メタデータ） (2022-04-05T16:29:49Z) - Fast and Accurate Single-Image Depth Estimation on Mobile Devices,
Mobile AI 2021 Challenge: Report [105.32612705754605]
そこでは、エンドツーエンドのディープラーニングベースの深度推定ソリューションを開発することが目標です。
提案したソリューションは、Raspberry Pi 4上で最大10FPSのVGA解像度深度マップを生成でき、高い忠実度を達成できる。
論文 参考訳（メタデータ） (2021-05-17T13:49:57Z) - An Empirical Evaluation of Bluetooth-based Decentralized Contact Tracing
in Crowds [7.469941131704084]
本研究は, 参加者80名を対象に, 群集環境におけるBluetoothによる接触追跡の有効性を実証的に検討した。
結果,Bluetooth RSSIは近接検出には信頼性が低く,特に混み合っている環境では不正確性が悪化することが確認された。
既存の接触追跡アプリは、粗い粒度の近接検出に焦点を合わせるために再利用できることを推奨する。
論文 参考訳（メタデータ） (2020-11-09T10:44:03Z) - DeepMark++: Real-time Clothing Detection at the Edge [55.41644538483948]
本稿では,迅速な衣服検出とキーポイント推定を実現するための単一ステージアプローチを提案する。
提案手法は,マルチターゲットネットワークであるCenterNetをベースとして,性能向上のためのポストプロセッシング技術をいくつか導入する。
私たちの最も正確なモデルは、DeepFashion2データセットの最先端ソリューションに匹敵する結果を達成します。
論文 参考訳（メタデータ） (2020-06-01T04:36:57Z) - Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and
On-Device Inference [49.88536971774444]
慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。
正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。
我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
論文 参考訳（メタデータ） (2020-01-13T04:41:54Z)
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。