論文の概要: WiCluster: Passive Indoor 2D/3D Positioning using WiFi without Precise Labels

• arxiv url: http://arxiv.org/abs/2107.01002v2
• Date: Mon, 27 Sep 2021 13:42:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-28 05:43:09.470182
• Title: WiCluster: Passive Indoor 2D/3D Positioning using WiFi without Precise Labels
• Title（参考訳）: WiCluster: 正確なラベルなしでWiFiを使ったパッシブな屋内2D/3D位置決め
• Authors: Ilia Karmanov, Farhad G. Zanjani, Simone Merlin, Ishaque Kadampot, Daniel Dijkman
• Abstract要約: 我々は、無線周波数(RF)チャネル状態情報(CSI)を用いた受動的屋内位置決めのための新しい機械学習(ML)アプローチであるWiClusterを紹介する。 WiClusterは、トレーニング中に正確な位置ラベルを使わずに、ゾーンレベルの位置と正確な2Dまたは3D位置の両方を予測することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce WiCluster, a new machine learning (ML) approach for passive indoor positioning using radio frequency (RF) channel state information (CSI). WiCluster can predict both a zone-level position and a precise 2D or 3D position, without using any precise position labels during training. Prior CSI-based indoor positioning work has relied on non-parametric approaches using digital signal-processing (DSP) and, more recently, parametric approaches (e.g., fully supervised ML methods). However these do not handle the complexity of real-world environments well and do not meet requirements for large-scale commercial deployments: the accuracy of DSP-based method deteriorates significantly in non-line-of-sight conditions, while supervised ML methods need large amounts of hard-to-acquire centimeter accuracy position labels. In contrast, WiCluster is precise, requires weaker label-information that can be easily collected, and works well in non-line-of-sight conditions. Our first contribution is a novel dimensionality reduction method for charting. It combines a triplet-loss with a multi-scale clustering-loss to map the high-dimensional CSI representation to a 2D/3D latent space. Our second contribution is two weakly supervised losses that map this latent space into a Cartesian map, resulting in meter-accuracy position results. These losses only require simple to acquire priors: a sketch of the floorplan, approximate access-point locations and a few CSI packets that are labelled with the corresponding zone in the floorplan. Thirdly, we report results and a robustness study for 2D positioning in two single-floor office buildings and 3D positioning in a two-story home.
• Abstract（参考訳）: 我々は、無線周波数(RF)チャネル状態情報(CSI)を用いた受動的屋内位置決めのための新しい機械学習(ML)アプローチであるWiClusterを紹介する。 WiClusterは、トレーニング中に正確な位置ラベルを使わずに、ゾーンレベルの位置と正確な2Dまたは3D位置の両方を予測することができる。 従来のCSIベースの屋内位置決め作業は、デジタル信号処理(DSP)とより最近ではパラメトリックアプローチ(例えば、完全に教師されたML手法)を使った非パラメトリックアプローチに依存してきた。 しかし、これらは実世界の環境の複雑さをうまく処理せず、大規模な商用展開の要件を満たしていない: dspベースの方法の精度は、非視線条件において著しく低下するが、監督されたml法は、取得困難なセンチメートル精度の位置ラベルを必要とする。 対照的に、WiClusterは正確で、簡単に収集できるより弱いラベル情報を必要とし、非視線条件でうまく機能する。 最初の貢献は、チャート作成のための新しい次元削減手法である。 トリプレットロスとマルチスケールクラスタリングロスを組み合わせることで、高次元csi表現を2d/3d潜在空間にマッピングする。 第2の貢献は、この潜在空間をカルテジアン写像にマッピングする2つの弱い教師付き損失であり、その結果、メーター正確な位置結果が得られる。 これらの損失は、フロアプランのスケッチ、ほぼアクセスポイントの配置、フロアプランの対応するゾーンにラベル付けされたcsiパケットなど、簡単な事前取得だけで済む。 第3に, 単層オフィスビルにおける2次元位置決めと2階建て住宅における3次元位置決めについて報告した。

関連論文リスト

• Syn-to-Real Unsupervised Domain Adaptation for Indoor 3D Object Detection [50.448520056844885]
  室内3次元物体検出における非教師なし領域適応のための新しいフレームワークを提案する。 合成データセット3D-FRONTから実世界のデータセットScanNetV2とSUN RGB-Dへの適応結果は、ソースオンリーベースラインよりも9.7%、9.1%のmAP25が顕著に改善されていることを示している。
  論文  参考訳（メタデータ） (2024-06-17T08:18:41Z)
• ALSTER: A Local Spatio-Temporal Expert for Online 3D Semantic Reconstruction [62.599588577671796]
  本稿では,RGB-Dフレームのストリームから3次元セマンティックマップを段階的に再構成するオンライン3次元セマンティックセマンティックセマンティクス手法を提案する。 オフラインの手法とは異なり、ロボット工学や混合現実のようなリアルタイムな制約のあるシナリオに直接適用できます。
  論文  参考訳（メタデータ） (2023-11-29T20:30:18Z)
• NDC-Scene: Boost Monocular 3D Semantic Scene Completion in Normalized Device Coordinates Space [77.6067460464962]
  SSC(Monocular 3D Semantic Scene Completion)は、単一の画像から複雑なセマンティックスや幾何学的形状を予測し、3D入力を必要としないため、近年大きな注目を集めている。 我々は,3次元空間に投影された2次元特徴の特徴的曖昧さ,3次元畳み込みのPose Ambiguity,深さの異なる3次元畳み込みにおける不均衡など,現在の最先端手法におけるいくつかの重要な問題を明らかにする。 シーン補完ネットワーク(NDC-Scene)を考案し,2を直接拡張する。
  論文  参考訳（メタデータ） (2023-09-26T02:09:52Z)
• Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud Analysis [66.49788145564004]
  我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。 我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
  論文  参考訳（メタデータ） (2022-12-17T15:05:25Z)
• CL3D: Unsupervised Domain Adaptation for Cross-LiDAR 3D Detection [16.021932740447966]
  クロスLiDAR3D検出のためのドメイン適応は、生データ表現に大きなギャップがあるため困難である。 以上の課題を克服する、教師なしのドメイン適応手法を提案する。
  論文  参考訳（メタデータ） (2022-12-01T03:22:55Z)
• CPGNet: Cascade Point-Grid Fusion Network for Real-Time LiDAR Semantic Segmentation [8.944151935020992]
  本稿では,有効性と効率を両立するカスケードポイントグリッド融合ネットワーク(CPGNet)を提案する。 アンサンブルモデルやTTAのないCPGNetは最先端のRPVNetと同等だが、4.7倍高速である。
  論文  参考訳（メタデータ） (2022-04-21T06:56:30Z)
• Progressive Coordinate Transforms for Monocular 3D Object Detection [52.00071336733109]
  本稿では,学習座標表現を容易にするために,PCT(Em Progressive Coordinate Transforms)と呼ばれる,新しい軽量なアプローチを提案する。 本稿では,学習座標表現を容易にするために,PCT(Em Progressive Coordinate Transforms)と呼ばれる,新しい軽量なアプローチを提案する。
  論文  参考訳（メタデータ） (2021-08-12T15:22:33Z)
• Uncertainty-Aware Camera Pose Estimation from Points and Lines [101.03675842534415]
  Perspective-n-Point-and-Line (Pn$PL) は、2D-3D特徴座標の3Dモデルに関して、高速で正確で堅牢なカメラローカライゼーションを目指している。
  論文  参考訳（メタデータ） (2021-07-08T15:19:36Z)

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。