論文の概要: Few-Shot Transfer Learning for Device-Free Fingerprinting Indoor Localization

• arxiv url: http://arxiv.org/abs/2201.12656v1
• Date: Sat, 29 Jan 2022 20:49:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-01 18:26:52.699849
• Title: Few-Shot Transfer Learning for Device-Free Fingerprinting Indoor Localization
• Title（参考訳）: デバイスフリーフィンガープリント屋内定位のためのマイズショット転送学習
• Authors: Bing-Jia Chen, Ronald Y. Chang
• Abstract要約: IoT(Internet of Things)におけるデバイスフリーワイヤレス屋内位置決め技術 指紋ベースの手法の一般的な課題は、データ収集とラベル付けである。 本稿では,現在の環境から少量のラベル付きデータのみを利用する,数発の転送学習システムを提案する。
• 参考スコア（独自算出の注目度）: 5.721124285238145
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Device-free wireless indoor localization is an essential technology for the Internet of Things (IoT), and fingerprint-based methods are widely used. A common challenge to fingerprint-based methods is data collection and labeling. This paper proposes a few-shot transfer learning system that uses only a small amount of labeled data from the current environment and reuses a large amount of existing labeled data previously collected in other environments, thereby significantly reducing the data collection and labeling cost for localization in each new environment. The core method lies in graph neural network (GNN) based few-shot transfer learning and its modifications. Experimental results conducted on real-world environments show that the proposed system achieves comparable performance to a convolutional neural network (CNN) model, with 40 times fewer labeled data.
• Abstract（参考訳）: デバイスフリーのワイヤレス屋内ローカライゼーションはモノのインターネット(IoT)にとって不可欠な技術であり、指紋ベースの手法が広く使われている。 指紋ベースの方法に対する一般的な課題は、データ収集とラベリングである。 本稿では,現在の環境から少量のラベル付きデータしか使用せず,過去に他の環境に収集した大量のラベル付きデータを再利用し,新たな環境毎にデータ収集とラベル付けコストを大幅に削減する,数ショット転送学習システムを提案する。 コアとなる手法はグラフニューラルネットワーク(GNN)をベースとした数ショット転送学習とその修正である。 実環境における実験結果から,提案システムは,40倍のラベル付きデータを持つ畳み込みニューラルネットワーク(CNN)モデルに匹敵する性能を発揮することが示された。

関連論文リスト

• Quanv4EO: Empowering Earth Observation by means of Quanvolutional Neural Networks [62.12107686529827]
  本稿は、大量のリモートセンシングデータの処理において、量子コンピューティング技術を活用することへの大きなシフトを取り上げる。 提案したQuanv4EOモデルでは,多次元EOデータを前処理するための準進化法が導入された。 主要な知見は,提案モデルが画像分類の精度を維持するだけでなく,EOのユースケースの約5%の精度向上を図っていることを示唆している。
  論文  参考訳（メタデータ） (2024-07-24T09:11:34Z)
• An Automated Approach to Collecting and Labeling Time Series Data for Event Detection Using Elastic Node Hardware [18.15754187896287]
  本稿では,センサデータをIoTデバイス上で直接ラベル付けする新しい組込みシステムを提案する。 本稿では,各種センサデータのキャプチャとラベル付けを効率化する,特殊なラベル付けセンサを備えたハードウェアとソフトウェアの統合ソリューションを提案する。
  論文  参考訳（メタデータ） (2024-07-06T15:19:16Z)
• Improved Indoor Localization with Machine Learning Techniques for IoT applications [0.0]
  本研究では, 教師付き回帰器, 教師付き分類器, RSSIを用いた屋内位置推定のためのアンサンブル手法の3段階に機械学習アルゴリズムを適用した。 実験の結果は、屋内環境におけるローカライズ精度とロバスト性の観点から、異なる教師付き機械学習技術の有効性に関する洞察を与える。
  論文  参考訳（メタデータ） (2024-02-18T02:55:19Z)
• Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
  デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。 無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。 そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
  論文  参考訳（メタデータ） (2023-12-08T13:50:30Z)
• AFR-Net: Attention-Driven Fingerprint Recognition Network [47.87570819350573]
  指紋認識を含む生体認証における視覚変換器(ViT)の使用に関する初期研究を改善する。 ネットワーク内の中間特徴マップから抽出した局所的な埋め込みを用いて,グローバルな埋め込みを低確かさで洗練する手法を提案する。 この戦略は、既存のディープラーニングネットワーク(アテンションベース、CNNベース、あるいはその両方を含む)のラッパーとして適用することで、パフォーマンスを向上させることができる。
  論文  参考訳（メタデータ） (2022-11-25T05:10:39Z)
• On-Device Domain Generalization [93.79736882489982]
  ドメインの一般化はデバイス上の機械学習アプリケーションにとって重要である。 知識蒸留がこの問題の解決の有力な候補であることがわかった。 本研究では,教師が配布外データをどのように扱えるかを学生に教えることを目的とした,配布外知識蒸留(OKD)という簡単なアイデアを提案する。
  論文  参考訳（メタデータ） (2022-09-15T17:59:31Z)
• Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
  ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。 デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。 本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
  論文  参考訳（メタデータ） (2022-09-01T03:27:33Z)
• Domain Adversarial Graph Convolutional Network Based on RSSI and Crowdsensing for Indoor Localization [8.406788215294483]
  少数のラベル付きサイトサーベイデータと大量のラベル付きクラウドセンシングWiFi指紋を用いてトレーニングできる新しいWiDAGCNモデルを提案する。 本システムは、複数の建物を含む公共の屋内ローカライゼーションデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2022-04-06T08:06:27Z)
• Addressing Gap between Training Data and Deployed Environment by On-Device Learning [1.6258710071587594]
  本稿では、オンデバイスラーニング(ODL)アプローチに基づくニューラルネットワークを導入し、デプロイされた環境で再トレーニングすることでこの問題に対処する。 我々のアプローチは、ローエンドエッジデバイスに適した複数のニューラルネットワークの半教師付きシーケンシャルトレーニングに依存している。 回転機械の振動パターンを用いた実験により、ODLによる再トレーニングはノイズの多い環境での予測専用ディープニューラルネットワークと比較して異常検出精度を向上させることが示された。
  論文  参考訳（メタデータ） (2022-03-02T12:59:33Z)
• SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
  本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。 基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。 シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
  論文  参考訳（メタデータ） (2021-06-10T04:21:20Z)
• Semi-Supervised Learning with GANs for Device-Free Fingerprinting Indoor Localization [6.939464860621602]
  デバイスフリーワイヤレス屋内位置決めはIoT(Internet of Things)の鍵となる技術である 本稿では,GANをベースとしたデバイスフリーフィンガープリント屋内位置推定システムを提案する。
  論文  参考訳（メタデータ） (2020-08-17T06:32:13Z)

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。