論文の概要: WiFiNet: WiFi-based indoor localisation using CNNs

• arxiv url: http://arxiv.org/abs/2104.06768v1
• Date: Wed, 14 Apr 2021 10:49:17 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-15 13:05:26.344362
• Title: WiFiNet: WiFi-based indoor localisation using CNNs
• Title（参考訳）: WiFiNet:CNNを用いたWiFiベースの屋内ローカライゼーション
• Authors: Noelia Hern\'andez, Ignacio Parra, H\'ector Corrales, Rub\'en Izquierdo, Augusto Luis Ballardini, Carlota Salinas, Iv\'an Garcia
• Abstract要約: 分類問題における畳み込みニューラルネットワークを活用した新しいWiFi型屋内ローカリゼーションシステムを提案する。 その結果、WiFiNetは中規模環境での屋内ローカライズの優れたアプローチであることがわかった。
• 参考スコア（独自算出の注目度）: 2.242735348583755
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Different technologies have been proposed to provide indoor localisation: magnetic field, bluetooth , WiFi, etc. Among them, WiFi is the one with the highest availability and highest accuracy. This fact allows for an ubiquitous accurate localisation available for almost any environment and any device. However, WiFi-based localisation is still an open problem. In this article, we propose a new WiFi-based indoor localisation system that takes advantage of the great ability of Convolutional Neural Networks in classification problems. Three different approaches were used to achieve this goal: a custom architecture called WiFiNet designed and trained specifically to solve this problem and the most popular pre-trained networks using both transfer learning and feature extraction. Results indicate that WiFiNet is as a great approach for indoor localisation in a medium-sized environment (30 positions and 113 access points) as it reduces the mean localisation error (33%) and the processing time when compared with state-of-the-art WiFi indoor localisation algorithms such as SVM.
• Abstract（参考訳）: 磁場、ブルートゥース、WiFiなど、屋内のローカライゼーションを提供する技術が提案されている。 中でもWiFiは、最高可用性と最高精度のデバイスだ。 この事実により、ほぼすべての環境とデバイスで利用可能なユビキタスな正確なローカライズが可能になる。 しかし、WiFiベースのローカライゼーションはまだ未解決の問題だ。 本稿では,分類問題における畳み込みニューラルネットワークの優れた能力を活用する,wifiベースの屋内ローカライズシステムを提案する。 wifinetと呼ばれるカスタムアーキテクチャは、この問題を解決するために特別に設計、訓練され、転送学習と特徴抽出の両方を使用して最も人気のある事前学習されたネットワークであった。 その結果、WiFiNetは、SVMのような最先端のWiFi屋内ローカライゼーションアルゴリズムと比較して、平均的なローカライゼーション誤差(33%)と処理時間を削減するため、中規模環境での屋内ローカライゼーション(30位置と113アクセスポイント)において優れたアプローチであることが示された。

関連論文リスト

• IndoorGNN: A Graph Neural Network based approach for Indoor Localization using WiFi RSSI [3.495640663645263]
  我々は,グラフニューラルネットワーク(GNN)に基づくアルゴリズムを用いて,特定の位置を特定の領域に分類する手法「屋内GNN」を開発した。 この分類を行うMLアルゴリズムのほとんどは、多数のラベル付きデータポイントを必要とする。 実験の結果,IndoorGNNは現状の既存手法やGNNベースの手法と比較して,位置予測精度が向上していることがわかった。
  論文  参考訳（メタデータ） (2023-12-11T17:12:51Z)
• Multimodal Indoor Localization Using Crowdsourced Radio Maps [7.220542831917648]
  我々は,無線地図の不正確さとスパースカバレッジの課題に対処する新しい枠組みを導入する。 提案システムは,WiFiローカライゼーションのための不確実性を考慮したニューラルネットワークモデルと,最適核融合のためのベージアン融合技術を統合する。
  論文  参考訳（メタデータ） (2023-11-17T15:57:32Z)
• WiFi-based Spatiotemporal Human Action Perception [53.41825941088989]
  SNN(End-to-end WiFi signal Neural Network)は、Wi-Fiのみのセンシングを可能にするために提案されている。 特に、3D畳み込みモジュールはWiFi信号の時間的連続性を探索することができ、特徴自己保持モジュールは支配的な特徴を明示的に維持することができる。
  論文  参考訳（メタデータ） (2022-06-20T16:03:45Z)
• LocUNet: Fast Urban Positioning Using Radio Maps and Deep Learning [59.17191114000146]
  LocUNet: 基地局(BSs)からの受信信号強度(RSS)のみに基づく深層学習手法 提案手法では,BSsからのRSSを,クラウド上に存在する可能性のある中央処理ユニット(CPU)にローカライズする。 推定されたBSのパスロスラジオマップを用いて、LocUNetは最先端の精度でユーザをローカライズし、無線マップの不正確性に対して高い堅牢性を享受する。
  論文  参考訳（メタデータ） (2022-02-01T20:27:46Z)
• Hierarchical Multi-Building And Multi-Floor Indoor Localization Based On Recurrent Neural Networks [2.0305676256390934]
  Wi-Fiフィンガープリントを用いたリカレントニューラルネットワーク(RNN)に基づく階層型マルチビルディングとマルチフロア屋内ローカライゼーションを提案する。 提案手法は建物と床をそれぞれ100%と95.24%の精度で推定し、三次元位置決め誤差は8.62mである。
  論文  参考訳（メタデータ） (2021-12-23T11:56:31Z)
• Topological Indoor Mapping through WiFi Signals [0.09668407688201358]
  WiFiアクセスポイントとWiFi信号強度を測定するモバイルデバイスは、ローカライゼーションとマッピングにおける現実の応用を可能にする。 それまでのアプローチは、厳密なマップ構築プロセス、環境の変化、ハードウェアの違いといった問題によって妨げられていた。 トポロジカルマップに焦点をあてたこれらの問題に対処する。 教師なし手法では、WiFi信号強度分布、次元減少、クラスタリングを用いる。
  論文  参考訳（メタデータ） (2021-06-17T20:06:09Z)
• Markov Localisation using Heatmap Regression and Deep Convolutional Odometry [59.33322623437816]
  我々は,最新のディープラーニングハードウェアを活用する新しいCNNベースのローカライゼーション手法を提案する。 画像に基づくローカライゼーションと,1つのニューラルネットワーク内でのオドメトリーに基づく確率伝搬を行うハイブリッドCNNを作成する。
  論文  参考訳（メタデータ） (2021-06-01T10:28:49Z)
• EdgeLoc: An Edge-IoT Framework for Robust Indoor Localization Using Capsule Networks [3.659977669398194]
  カプセルネットワークを用いた効率的で堅牢な屋内ローカライズのためのエッジIoTフレームワークであるEdgeLocを提案する。 WiFi指紋データから階層情報を効率的に抽出する深層学習モデルをCapsNetで開発する。 我々は,33,600点以上のデータポイントを用いて実世界のフィールド実験を行い,オープンデータセットを用いた広範囲な合成実験を行った。
  論文  参考訳（メタデータ） (2020-09-12T12:38:47Z)
• Zero-Shot Multi-View Indoor Localization via Graph Location Networks [66.05980368549928]
  屋内ローカライゼーションは、位置ベースアプリケーションにおける基本的な問題である。 本稿では,インフラストラクチャフリーで多視点画像に基づく屋内ローカライゼーションを実現するために,新しいニューラルネットワークアーキテクチャであるGraph Location Networks(GLN)を提案する。 GLNは、メッセージパッシングネットワークを通じて画像から抽出されたロバストな位置表現に基づいて位置予測を行う。 新たにゼロショット屋内ローカライズ設定を導入し,提案したGLNを専用ゼロショットバージョンに拡張することで,その課題に対処する。
  論文  参考訳（メタデータ） (2020-08-06T07:36:55Z)
• Real-time Localization Using Radio Maps [59.17191114000146]
  パスロスに基づく簡易かつ効果的なローカライゼーション法を提案する。 提案手法では, 受信した信号強度を, 既知の位置を持つ基地局の集合から報告する。
  論文  参考訳（メタデータ） (2020-06-09T16:51:17Z)
• Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
  本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。 標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2020-04-06T15:51:00Z)

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。