論文の概要: Siamese Neural Encoders for Long-Term Indoor Localization with Mobile Devices

• arxiv url: http://arxiv.org/abs/2112.00654v1
• Date: Sun, 28 Nov 2021 07:22:55 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-02 13:35:13.308978
• Title: Siamese Neural Encoders for Long-Term Indoor Localization with Mobile Devices
• Title（参考訳）: モバイルデバイスを用いた長期屋内位置推定のためのシームズニューラルエンコーダ
• Authors: Saideep Tiku and Sudeep Pasricha
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 5.063728016437489
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Fingerprinting-based indoor localization is an emerging application domain for enhanced positioning and tracking of people and assets within indoor locales. The superior pairing of ubiquitously available WiFi signals with computationally capable smartphones is set to revolutionize the area of indoor localization. However, the observed signal characteristics from independently maintained WiFi access points vary greatly over time. Moreover, some of the WiFi access points visible at the initial deployment phase may be replaced or removed over time. These factors are often ignored in indoor localization frameworks and cause gradual and catastrophic degradation of localization accuracy post-deployment (over weeks and months). To overcome these challenges, we propose a Siamese neural encoder-based framework that offers up to 40% reduction in degradation of localization accuracy over time compared to the state-of-the-art in the area, without requiring any retraining.
• Abstract（参考訳）: 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を強化するための新興アプリケーションドメインである。 ユビキタスで利用可能なWiFi信号と計算能力のあるスマートフォンのペアリングは、屋内ローカライゼーションの領域に革命をもたらす。 しかし、独立したwi-fiアクセスポイントからの観測信号特性は時間とともに大きく異なる。 さらに、初期展開フェーズで見えるいくつかのWiFiアクセスポイントは、時間とともに置き換えたり削除したりすることができる。 これらの要因は屋内のローカライズフレームワークでは無視されることが多く、配置後(数週間から数ヶ月)のローカライズ精度の段階的かつ破滅的な低下を引き起こす。 これらの課題を克服するため,本研究では,再トレーニングを必要とせず,現地化精度の低下を最大40%低減するsiamese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。

関連論文リスト

• SENTINEL: Securing Indoor Localization against Adversarial Attacks with Capsule Neural Networks [2.7186493234782527]
  SENTINELは、屋内のローカライゼーションソリューションの敵攻撃に対するレジリエンスを高めるための、新しい組込み機械学習フレームワークである。 RSSRogueLocも導入しています。これは実世界の屋内環境からローグAPの効果を計測するデータセットです。
  論文  参考訳（メタデータ） (2024-07-14T21:40:12Z)
• SANGRIA: Stacked Autoencoder Neural Networks with Gradient Boosting for Indoor Localization [3.3379026542599934]
  そこで本研究では,SANGRIAと呼ばれる屋内位置推定のための新しいフィンガープリント・フレームワークを提案する。 屋内の様々な地域や異種デバイスにおける平均局所化誤差が42.96%低いことを実証する。
  論文  参考訳（メタデータ） (2024-03-03T00:01:29Z)
• 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)
• FedHIL: Heterogeneity Resilient Federated Learning for Robust Indoor Localization with Mobile Devices [4.226118870861363]
  緊急対応、倉庫管理、拡張現実体験などの応用において、屋内のローカライゼーションは重要な役割を担っている。 デバイス・ヘテロジニアス環境における屋内位置推定精度を向上させるために,FedHILと呼ばれる新しい組込み機械学習フレームワークを提案する。 本フレームワークは,屋内の局所化とフェデレート学習(FL)を組み合わせることで,デバイス・異種環境における屋内の局所化精度を向上させる。
  論文  参考訳（メタデータ） (2023-07-04T15:34:13Z)
• Adaptive Self-supervision Algorithms for Physics-informed Neural Networks [59.822151945132525]
  物理情報ニューラルネットワーク(PINN)は、損失関数のソフト制約として問題領域からの物理的知識を取り入れている。 これらのモデルの訓練性に及ぼす座標点の位置の影響について検討した。 モデルがより高い誤りを犯している領域に対して、より多くのコロケーションポイントを段階的に割り当てる適応的コロケーション方式を提案する。
  論文  参考訳（メタデータ） (2022-07-08T18:17:06Z)
• Semi-signed neural fitting for surface reconstruction from unoriented point clouds [53.379712818791894]
  より優れた符号付き距離場を再構成するためのSN-Fittingを提案する。 SSNフィッティングは半署名の監督と損失に基づく領域サンプリング戦略で構成されている。 我々は,SSN-Fittingが,異なる設定下で最先端の性能を達成することを示す実験を行う。
  論文  参考訳（メタデータ） (2022-06-14T09:40:17Z)
• 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)
• 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)
• Domain Adaptation of Learned Features for Visual Localization [60.6817896667435]
  日時,天気,季節などの変化条件下での視覚的局所化の問題に対処する。 近年の深層ニューラルネットワークに基づく学習された局所的特徴は、古典的な手作りの局所的特徴よりも優れた性能を示している。 ドメインギャップを減らすために、いくつかの例しか必要としない、斬新で実践的なアプローチを提案する。
  論文  参考訳（メタデータ） (2020-08-21T05:17:32Z)
• 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)

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。