論文の概要: WiFi Fingerprint Clustering for Urban Mobility Analysis

• arxiv url: http://arxiv.org/abs/2105.01274v1
• Date: Tue, 4 May 2021 03:46:14 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-05 12:53:19.705984
• Title: WiFi Fingerprint Clustering for Urban Mobility Analysis
• Title（参考訳）: 都市移動度解析のためのwifi指紋クラスタリング
• Authors: Sumudu HasalaMarakkalage, Billy Pik Lik Lau, Yuren Zhou, Ran Liu, Chau Yuen, Wei Quin Yow, Keng Hua Chong
• Abstract要約: スマートフォンアプリケーションデータからWi-Fi計測を利用してユーザポイント(POI)を識別するための教師なし学習手法を提案する。 屋内・シェルター・高層建築環境におけるGPS位置決め精度の欠如により、現代都市部において広く利用可能なWiFiアクセスポイント(AP)に依存している。 周囲のWiFi APをスキャンし、監視されていない学習を行い、3つの大きな洞察を識別できることを実証するシステムアーキテクチャを提案します。
• 参考スコア（独自算出の注目度）: 20.190366137684205
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we present an unsupervised learning approach to identify the user points of interest (POI) by exploiting WiFi measurements from smartphone application data. Due to the lack of GPS positioning accuracy in indoor, sheltered, and high rise building environments, we rely on widely available WiFi access points (AP) in contemporary urban areas to accurately identify POI and mobility patterns, by comparing the similarity in the WiFi measurements. We propose a system architecture to scan the surrounding WiFi AP, and perform unsupervised learning to demonstrate that it is possible to identify three major insights, namely the indoor POI within a building, neighbourhood activity, and micro-mobility of the users. Our results show that it is possible to identify the aforementioned insights, with the fusion of WiFi and GPS, which are not possible to identify by only using GPS.
• Abstract（参考訳）: 本稿では,スマートフォンアプリケーションデータからのWiFi計測を利用して,ユーザポイント(POI)を識別するための教師なし学習手法を提案する。 屋内・シェルター・高層建築環境におけるGPS位置決め精度の欠如により,現在都市部で広く利用されている WiFi アクセスポイント (AP) に頼ってPOI とモビリティのパターンを正確に同定し,WiFi 測定の類似性を比較する。 本研究では,周辺wi-fi apをスキャンし,教師なし学習を行い,建物内の室内poi,近隣活動,利用者のマイクロモビリティという3つの主要な知見を識別できることを実証するシステムアーキテクチャを提案する。 その結果,gpsだけでは識別できないwi-fiとgpsの融合により,前述の知見を識別することが可能であることが判明した。

関連論文リスト

• Surveilling the Masses with Wi-Fi-Based Positioning Systems [7.1251088452879285]
  我々は、AppleのWPSが悪用され、世界規模でプライバシーを脅かす可能性があることを示しています。 我々は、非特権の攻撃者が世界中のWi-Fi BSSID位置情報のスナップショットを蓄積できる攻撃を提案する。 我々は、AppleのWPSが提供するプライバシーに対する攻撃のタイプを示すいくつかのケーススタディを示す。
  論文  参考訳（メタデータ） (2024-05-23T18:22:12Z)
• AdvGPS: Adversarial GPS for Multi-Agent Perception Attack [47.59938285740803]
  本研究は,マルチエージェント認識システムにおいて,特定のGPS信号が容易に誤認できるかどうかを考察する。 我々は,システム内の個々のエージェントに対してステルス性を持つ逆GPS信号を生成可能なtextscAdvGPSを紹介する。 OPV2Vデータセットに対する実験により、これらの攻撃が最先端の手法の性能を著しく損なうことを示した。
  論文  参考訳（メタデータ） (2024-01-30T23:13:41Z)
• 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)
• DensePose From WiFi [86.61881052177228]
  WiFi信号の位相と振幅を24のヒト領域内の紫外線座標にマッピングするディープニューラルネットワークを開発した。 本モデルでは,複数の被験者の密集したポーズを,画像に基づくアプローチと同等の性能で推定することができる。
  論文  参考訳（メタデータ） (2022-12-31T16:48:43Z)
• 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)
• A Wireless-Vision Dataset for Privacy Preserving Human Activity Recognition [53.41825941088989]
  アクティビティ認識の堅牢性を改善するため,WiNN(WiFi-based and video-based neural network)が提案されている。 以上の結果から,WiViデータセットは一次需要を満足し,パイプライン内の3つのブランチはすべて,80%以上のアクティビティ認識精度を維持していることがわかった。
  論文  参考訳（メタデータ） (2022-05-24T10:49:11Z)
• 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)
• Moving Object Classification with a Sub-6 GHz Massive MIMO Array using Real Data [64.48836187884325]
  無線信号を用いた屋内環境における各種活動の分類は,様々な応用の新たな技術である。 本論文では,屋内環境におけるマルチインプット・マルチアウトプット(MIMO)システムから,機械学習を用いて移動物体の分類を解析する。
  論文  参考訳（メタデータ） (2021-02-09T15:48:35Z)
• Deep Smartphone Sensors-WiFi Fusion for Indoor Positioning and Tracking [7.296425002029293]
  本研究では,ユーザの相対的位置を高精度に推定する深層学習に基づく歩行者致死推定モデルを実装した。 Kalmanフィルタを用いて、WiFiスキャンを受けるたびにユーザの絶対位置を予測できるWiFiを用いてPDRのドリフトを補正する。 最後に,環境の物理的制約を考慮に入れたマップフリープロジェクション法を用いて,カルマンフィルタの結果を調整する。
  論文  参考訳（メタデータ） (2020-11-21T14:20:49Z)
• Urban Sensing based on Mobile Phone Data: Approaches, Applications and Challenges [67.71975391801257]
  モバイルデータ分析における多くの関心は、人間とその行動に関連している。 本研究の目的は,携帯電話データから知識を発見するために実装された手法や手法をレビューすることである。
  論文  参考訳（メタデータ） (2020-08-29T15:14:03Z)

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。