論文の概要: QuickLoc: Adaptive Deep-Learning for Fast Indoor Localization with
Mobile Devices
- arxiv url: http://arxiv.org/abs/2104.07521v1
- Date: Thu, 15 Apr 2021 15:19:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-16 14:44:16.622853
- Title: QuickLoc: Adaptive Deep-Learning for Fast Indoor Localization with
Mobile Devices
- Title（参考訳）: QuickLoc: モバイルデバイスによる高速屋内ローカライゼーションのための適応型ディープラーニング
- Authors: Saideep Tiku, Prathmesh Kale, Sudeep Pasricha
- Abstract要約: 本稿では,深層学習に基づく屋内定位フレームワークの計算要件を削減する手法を提案する。
提案手法は,複数のスマートフォンに展開し,検証する。
- 参考スコア（独自算出の注目度）: 4.286327408435937
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Indoor localization services are a crucial aspect for the realization of
smart cyber-physical systems within cities of the future. Such services are
poised to reinvent the process of navigation and tracking of people and assets
in a variety of indoor and subterranean environments. The growing ownership of
computationally capable smartphones has laid the foundations of portable
fingerprinting-based indoor localization through deep learning. However, as the
demand for accurate localization increases, the computational complexity of the
associated deep learning models increases as well. We present an approach for
reducing the computational requirements of a deep learning-based indoor
localization framework while maintaining localization accuracy targets. Our
proposed methodology is deployed and validated across multiple smartphones and
is shown to deliver up to 42% reduction in prediction latency and 45% reduction
in prediction energy as compared to the best-known baseline deep learning-based
indoor localization model.
- Abstract（参考訳）: 屋内ローカライズサービスは、将来の都市におけるスマートサイバー物理システムの実現にとって重要な側面である。
このようなサービスは、様々な屋内および地下環境における人や資産のナビゲーションと追跡のプロセスを再発明する。
計算能力のあるスマートフォンの所有権の増大は、ディープラーニングによるポータブルフィンガープリントベースの屋内ローカライゼーションの基礎を築いた。
しかし、正確な測位への需要が増加するにつれて、関連するディープラーニングモデルの計算複雑性も増加する。
本稿では, 位置推定の精度を維持しつつ, 深層学習に基づく屋内定位フレームワークの計算要件を削減する手法を提案する。
提案手法は複数のスマートフォンにまたがって展開され,最大42%の予測遅延の低減と45%の予測エネルギーの低減を実現している。
関連論文リスト
- Center-Sensitive Kernel Optimization for Efficient On-Device Incremental Learning [88.78080749909665]
現在のオンデバイストレーニング手法は、破滅的な忘れを考慮せずに、効率的なトレーニングにのみ焦点をあてている。
本稿では,単純だが効果的なエッジフレンドリーなインクリメンタル学習フレームワークを提案する。
本手法は,メモリの削減と近似計算により,平均精度38.08%の高速化を実現する。
論文 参考訳（メタデータ） (2024-06-13T05:49:29Z) - A Variational Auto-Encoder Enabled Multi-Band Channel Prediction Scheme
for Indoor Localization [11.222977249913411]
周波数領域から室内指紋位置決めの精度を向上する手法を提案する。
オフィスシナリオから収集したCOST 2100シミュレーションデータと実時間周波数分割多重化(OFDM)WiFiデータに基づいて提案手法を検証した。
論文 参考訳（メタデータ） (2023-09-19T08:19:34Z) - Computation-efficient Deep Learning for Computer Vision: A Survey [121.84121397440337]
ディープラーニングモデルは、さまざまな視覚的知覚タスクにおいて、人間レベルのパフォーマンスに到達または超えた。
ディープラーニングモデルは通常、重要な計算資源を必要とし、現実のシナリオでは非現実的な電力消費、遅延、または二酸化炭素排出量につながる。
新しい研究の焦点は計算効率のよいディープラーニングであり、推論時の計算コストを最小限に抑えつつ、良好な性能を達成することを目指している。
論文 参考訳（メタデータ） (2023-08-27T03:55:28Z) - VITAL: Vision Transformer Neural Networks for Accurate Smartphone
Heterogeneity Resilient Indoor Localization [3.577310844634503]
Wi-Fiフィンガープリントに基づく屋内ローカライゼーションは、新たな組み込みアプリケーションドメインである。
この課題に対処するために,VITALと呼ばれる視覚トランスフォーマーニューラルネットワークに基づく新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2023-02-18T23:43:45Z) - 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) - Siamese Neural Encoders for Long-Term Indoor Localization with Mobile
Devices [5.063728016437489]
フィンガープリンティングに基づく屋内ローカライゼーションは、屋内ローカライズにおける人や資産の位置と追跡の強化のための新興アプリケーションドメインである。
本稿では,その領域の最先端技術と比較して,局所化精度の低下を最大40%低減する,シームズ・ニューラルエンコーダベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2021-11-28T07:22:55Z) - 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) - A Survey on Deep Learning for Localization and Mapping: Towards the Age
of Spatial Machine Intelligence [48.67755344239951]
包括的調査を行い、深層学習を用いた局所化とマッピングのための新しい分類法を提案する。
オードメトリ推定、マッピング、グローバルローカライゼーション、同時ローカライゼーション、マッピングなど、幅広いトピックがカバーされている。
この研究がロボティクス、コンピュータビジョン、機械学習コミュニティの新たな成果を結び付けることを願っている。
論文 参考訳（メタデータ） (2020-06-22T19:01:21Z) - 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。