論文の概要: Large Scale Passenger Detection with Smartphone/Bus Implicit Interaction
and Multisensory Unsupervised Cause-effect Learning
- arxiv url: http://arxiv.org/abs/2202.11962v1
- Date: Thu, 24 Feb 2022 08:50:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-26 01:29:39.712027
- Title: Large Scale Passenger Detection with Smartphone/Bus Implicit Interaction
and Multisensory Unsupervised Cause-effect Learning
- Title(参考訳): スマートフォン/バスによる大規模乗客検出と多感覚非教師型因果学習
- Authors: Valentino Servizi, Dan R. Persson, Francisco C. Pereira, Hannah
Villadsen, Per B{\ae}kgaard, Jeppe Rich, Otto A. Nielsen
- Abstract要約: 我々は、暗黙的なBe-in/Be-out(BIBO)という概念に焦点をあてる。
BLE擬似ラベルに対するGPS特徴に基づくモデルのトレーニングを可能にするために,CEMWA(So caused-Effect Multitask Wasserstein Autoencoder)を提案する。
- 参考スコア(独自算出の注目度): 5.449283796175882
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Intelligent Transportation Systems (ITS) underpin the concept of Mobility as
a Service (MaaS), which requires universal and seamless users' access across
multiple public and private transportation systems while allowing operators'
proportional revenue sharing. Current user sensing technologies such as
Walk-in/Walk-out (WIWO) and Check-in/Check-out (CICO) have limited scalability
for large-scale deployments. These limitations prevent ITS from supporting
analysis, optimization, calculation of revenue sharing, and control of MaaS
comfort, safety, and efficiency. We focus on the concept of implicit
Be-in/Be-out (BIBO) smartphone-sensing and classification.
To close the gap and enhance smartphones towards MaaS, we developed a
proprietary smartphone-sensing platform collecting contemporary Bluetooth Low
Energy (BLE) signals from BLE devices installed on buses and Global Positioning
System (GPS) locations of both buses and smartphones. To enable the training of
a model based on GPS features against the BLE pseudo-label, we propose the
Cause-Effect Multitask Wasserstein Autoencoder (CEMWA). CEMWA combines and
extends several frameworks around Wasserstein autoencoders and neural networks.
As a dimensionality reduction tool, CEMWA obtains an auto-validated
representation of a latent space describing users' smartphones within the
transport system. This representation allows BIBO clustering via DBSCAN.
We perform an ablation study of CEMWA's alternative architectures and
benchmark against the best available supervised methods. We analyze
performance's sensitivity to label quality. Under the na\"ive assumption of
accurate ground truth, XGBoost outperforms CEMWA. Although XGBoost and Random
Forest prove to be tolerant to label noise, CEMWA is agnostic to label noise by
design and provides the best performance with an 88\% F1 score.
- Abstract(参考訳): インテリジェント・トランスポーテーション・システム(its)は、モビリティ・アズ・ア・サービス(maas: mobility as a service)の概念を基礎としており、オペレーターの比例的な収益分配を可能にしつつ、複数の公共およびプライベート・トランスポーテーション・システム間での普遍的かつシームレスなユーザーアクセスを必要とする。
WIWO(Walk-in/Walk-out)やCICO(Check-in/Check-out)といった現在のユーザセンシング技術は、大規模デプロイメントのスケーラビリティに制限がある。
これらの制限は、ITSが分析、最適化、収益分配の計算、MaaSの快適さ、安全性、効率の制御をサポートすることを妨げている。
我々は、暗黙的なBe-in/Be-out(BIBO)スマートフォンセンシングと分類の概念に焦点を当てる。
このギャップを埋めてスマートフォンをMaaSに拡張するために,バスとスマートフォンの両方のBLEデバイスから,同時代のBluetooth Low Energy(BLE)信号を収集する独自のスマートフォンセンシングプラットフォームを開発した。
そこで本研究では,BLEの擬似ラベルに対するGPS特徴量に基づくモデルのトレーニングを実現するために,CEMWA(So caused-Effect Multitask Wasserstein Autoencoder)を提案する。
CEMWAは、Wassersteinオートエンコーダとニューラルネットワークに関するいくつかのフレームワークを組み合わせて拡張する。
次元削減ツールとして,CEMWAは,移動システム内のユーザのスマートフォンを記述した潜在空間の自動検証表現を求める。
この表現はDBSCANによるBIBOクラスタリングを可能にする。
我々はcemwaの代替アーキテクチャと最善の教師付き手法に対するベンチマークについてアブレーション研究を行う。
ラベル品質に対する性能の感度を分析する。
正確な基底真理の na\ な仮定の下で、XGBoost は CEMWA より優れている。
XGBoost と Random Forest はラベルノイズに耐性があることが証明されているが、CEMWA は設計によってラベルノイズに非依存であり、88 % F1 スコアで最高のパフォーマンスを提供する。
関連論文リスト
- CAS-ViT: Convolutional Additive Self-attention Vision Transformers for Efficient Mobile Applications [73.80247057590519]
ビジョントランスフォーマー(ViT)は、トークンミキサーの強力なグローバルコンテキスト能力によって、ニューラルネットワークの革命的な進歩を示す。
CAS-ViT: Convolutional Additive Self-attention Vision Transformerを導入し、モバイルアプリケーションにおける効率と性能のバランスを実現する。
ImageNet-1Kのパラメータは12M/21Mで83.0%/84.1%である。
論文 参考訳(メタデータ) (2024-08-07T11:33:46Z) - G-MEMP: Gaze-Enhanced Multimodal Ego-Motion Prediction in Driving [71.9040410238973]
我々は、視線データを用いて、運転者の車両のエゴ軌道を推定することに集中する。
次に、GPSとビデオ入力と視線データを組み合わせた新しいマルチモーダルエゴ軌道予測ネットワークであるG-MEMPを開発する。
その結果,G-MEMPは両ベンチマークにおいて最先端の手法よりも優れていた。
論文 参考訳(メタデータ) (2023-12-13T23:06:30Z) - IR-UWB Radar-based Situational Awareness System for
Smartphone-Distracted Pedestrians [1.4074017875514788]
本稿では,障害物検出のためのUWBアシストセーフウォーク(UASW)と呼ばれる,新規でリアルタイムな支援システムを提案する。
IR-UWB接続を備えたAndroidスマートフォン向けにUASWを実装した。
提案手法は最大97%の障害物検出精度と最大95%の障害物分類精度を推算遅延26.8msで達成する。
論文 参考訳(メタデータ) (2023-11-02T04:45:04Z) - SMOTEC: An Edge Computing Testbed for Adaptive Smart Mobility
Experimentation [4.202384258749882]
本稿では,エッジコンピューティングを用いた適応型スマートモビリティ実験のためのオープンソーステストベッドSMOTECを紹介する。
SMOTECは、拡張現実やリアルタイムトラフィック監視といったエッジデバイス上のインテリジェンスサービスのプロトタイピングと最適化を行うモジュール型のエンドツーエンドインスツルメンテーションを初めて提供する。
ミュンヘンからの交通監視のための自己最適化サービス配置の実証は、SMOTECの適用性と費用対効果を実証している。
論文 参考訳(メタデータ) (2023-07-20T18:49:45Z) - Integrated Sensing, Computation, and Communication for UAV-assisted
Federated Edge Learning [52.7230652428711]
フェデレーションエッジ学習(FEEL)は、エッジデバイスとサーバ間の定期的な通信を通じて、プライバシ保護モデルトレーニングを可能にする。
無人航空機(UAV)搭載エッジデバイスは、効率的なデータ収集における柔軟性と移動性のため、FEELにとって特に有利である。
論文 参考訳(メタデータ) (2023-06-05T16:01:33Z) - OASIS: Automated Assessment of Urban Pedestrian Paths at Scale [16.675093530600154]
モバイル機器を用いて歩道ネットワークデータを抽出する自由かつオープンソースの自動マッピングシステムを開発した。
本稿では,地域交通経路レビューチームの一員である人間測量士とともに,実環境で収集した画像を用いて訓練・テストしたプロトタイプシステムについて述べる。
論文 参考訳(メタデータ) (2023-03-04T01:32:59Z) - MASS: Mobility-Aware Sensor Scheduling of Cooperative Perception for
Connected Automated Driving [19.66714697653504]
コラボレーティブ・パーセプション(CP)と呼ばれる新しいパラダイムが、コラボレーティブ・ビークル(CoV)からのセンサデータを共有することで救助にやってくる。
既存の方法は、近くの車両からの知覚の利得を予測するために、可視性マップのようなメタ情報交換に依存している。
CPの分散スケジューリングにおいて,スケジューリング中に学習する新しい手法を提案する。
提案したMASSアルゴリズムは,他の学習ベースアルゴリズムと比較して,最大4.2ポイントのリコール率向上を実現している。
論文 参考訳(メタデータ) (2023-02-25T09:03:05Z) - Task-Oriented Over-the-Air Computation for Multi-Device Edge AI [57.50247872182593]
エッジAIをサポートするための6Gネットワークは、AIタスクの効率的かつ効率的な実行に焦点を当てたタスク指向のテクニックを備えている。
本稿では,マルチデバイススプリット推論システムにおけるタスク指向オーバー・ザ・エア計算(AirComp)方式を提案する。
論文 参考訳(メタデータ) (2022-11-02T16:35:14Z) - Task-Oriented Sensing, Computation, and Communication Integration for
Multi-Device Edge AI [108.08079323459822]
本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。
推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
論文 参考訳(メタデータ) (2022-07-03T06:57:07Z) - "Is not the truth the truth?": Analyzing the Impact of User Validations
for Bus In/Out Detection in Smartphone-based Surveys [5.449283796175882]
本稿では,半制御環境におけるヒューマン・コンピュータインタラクションの実験環境について述べる。
2つのルートで走行する2台の自動運転車で、3つのバス停と18人のユーザー、および独自のスマートフォンとBluetoothセンサープラットフォームを提供する。
我々は,スマートフォン調査で知られているように,ラベル付け過程におけるヒューマンエラーをエミュレートするために,ラベルフリップのモンテカルロシミュレーションを行った。
論文 参考訳(メタデータ) (2022-02-24T08:48:40Z) - SensiX: A Platform for Collaborative Machine Learning on the Edge [69.1412199244903]
センサデータとセンサモデルの間に留まるパーソナルエッジプラットフォームであるSensiXを紹介する。
動作および音声に基づくマルチデバイスセンシングシステムの開発において,その有効性を示す。
評価の結果,SensiXは3mWのオーバヘッドを犠牲にして,全体の精度が7~13%向上し,環境のダイナミクスが最大30%向上することがわかった。
論文 参考訳(メタデータ) (2020-12-04T23:06:56Z)
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。