論文の概要: Domain Adversarial Graph Convolutional Network Based on RSSI and
Crowdsensing for Indoor Localization
- arxiv url: http://arxiv.org/abs/2204.05184v3
- Date: Fri, 31 Mar 2023 13:10:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-03 20:56:03.796864
- Title: Domain Adversarial Graph Convolutional Network Based on RSSI and
Crowdsensing for Indoor Localization
- Title（参考訳）: RSSIとクラウドセンシングに基づくドメイン逆グラフ畳み込みネットワークによる屋内ローカライゼーション
- Authors: Mingxin Zhang, Zipei Fan, Ryosuke Shibasaki and Xuan Song
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 8.406788215294483
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, the use of WiFi fingerprints for indoor positioning has
grown in popularity, largely due to the widespread availability of WiFi and the
proliferation of mobile communication devices. However, many existing methods
for constructing fingerprint datasets rely on labor-intensive and
time-consuming processes of collecting large amounts of data. Additionally,
these methods often focus on ideal laboratory environments, rather than
considering the practical challenges of large multi-floor buildings. To address
these issues, we present a novel WiDAGCN model that can be trained using a
small number of labeled site survey data and large amounts of unlabeled
crowdsensed WiFi fingerprints. By constructing heterogeneous graphs based on
received signal strength indicators (RSSIs) between waypoints and WiFi access
points (APs), our model is able to effectively capture the topological
structure of the data. We also incorporate graph convolutional networks (GCNs)
to extract graph-level embeddings, a feature that has been largely overlooked
in previous WiFi indoor localization studies. To deal with the challenges of
large amounts of unlabeled data and multiple data domains, we employ a
semi-supervised domain adversarial training scheme to effectively utilize
unlabeled data and align the data distributions across domains. Our system is
evaluated using a public indoor localization dataset that includes multiple
buildings, and the results show that it performs competitively in terms of
localization accuracy in large buildings.
- Abstract（参考訳）: 近年,WiFiの普及とモバイル通信機器の普及により,屋内位置決めにおけるWiFi指紋の利用が盛んに行われている。
しかし、指紋データセットを構築するための既存の方法の多くは、大量のデータを収集する労働集約的かつ時間のかかるプロセスに依存している。
さらに、これらの手法は、大規模な多床建物の実用的課題を考慮せず、理想的な実験室環境にしばしば焦点をあてる。
これらの問題に対処するために、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。
受信信号強度指標(rssis)とwi-fiアクセスポイント(aps)との間の不均質グラフを構築することにより,データのトポロジー構造を効果的に捉えることができる。
また、従来のWiFi屋内ローカライゼーション研究でほとんど見落とされたグラフレベルの埋め込みを抽出するために、グラフ畳み込みネットワーク(GCN)も組み込んだ。
大量のラベルなしデータと複数のデータドメインの課題に対処するため、ラベルなしデータを有効に活用し、ドメイン間のデータ分布を調整するために、半教師付きドメイン敵訓練方式を採用している。
本研究では,複数の建物を含む公共屋内ローカライズデータセットを用いて評価を行い,大規模建物におけるローカライズ精度の面での競合性を示す。
関連論文リスト
- PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
私たちはaを提案します。
フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。
我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
論文 参考訳（メタデータ） (2024-06-04T13:51:08Z) - On the Domain Generalizability of RF Fingerprints Through Multifractal Dimension Representation [6.05147450902935]
近年,深層学習によるRFデータ駆動型デバイス指紋認証が,セキュアなデバイス識別と認証を可能にする方法として浮上している。
従来のアプローチは、あるドメインで収集されたデータに基づいてトレーニングされたモデルが異なるドメインで収集されたデータ上でテストされた場合、そのドメイン適応の問題に一般的に影響を受けます。
本研究では,深部ニューラルネットワークに入力されるデータ表現として,マルチフラクタル解析と分散フラクタル次元軌跡(VFDT)を用いて,ドメインを一般化可能なデバイス指紋を抽出する。
論文 参考訳（メタデータ） (2024-02-15T16:07:35Z) - Diffusion-based Data Augmentation for Object Counting Problems [62.63346162144445]
拡散モデルを用いて広範なトレーニングデータを生成するパイプラインを開発する。
拡散モデルを用いて位置ドットマップ上に条件付き画像を生成するのはこれが初めてである。
提案した拡散モデルにおけるカウント損失は,位置ドットマップと生成した群集画像との差を効果的に最小化する。
論文 参考訳（メタデータ） (2024-01-25T07:28:22Z) - IndoorGNN: A Graph Neural Network based approach for Indoor Localization
using WiFi RSSI [3.495640663645263]
我々は,グラフニューラルネットワーク(GNN)に基づくアルゴリズムを用いて,特定の位置を特定の領域に分類する手法「屋内GNN」を開発した。
この分類を行うMLアルゴリズムのほとんどは、多数のラベル付きデータポイントを必要とする。
実験の結果,IndoorGNNは現状の既存手法やGNNベースの手法と比較して,位置予測精度が向上していることがわかった。
論文 参考訳（メタデータ） (2023-12-11T17:12:51Z) - WiFi Based Distance Estimation Using Supervised Machine Learning [0.0]
近年、WiFiは人やデバイスを屋内で見つけるための主要な情報源となっている。
所定のWiFi指紋間の空間距離を測定することは、信号距離関数の選択によって大きく影響を受ける。
本研究では,指紋間の地理空間距離を推定するための機械学習の利用を提案する。
論文 参考訳（メタデータ） (2022-08-15T13:48:46Z) - CHALLENGER: Training with Attribution Maps [63.736435657236505]
ニューラルネットワークのトレーニングに属性マップを利用すると、モデルの正規化が向上し、性能が向上することを示す。
特に、我々の汎用的なドメインに依存しないアプローチは、ビジョン、自然言語処理、時系列タスクにおける最先端の結果をもたらすことを示す。
論文 参考訳（メタデータ） (2022-05-30T13:34:46Z) - Few-Shot Transfer Learning for Device-Free Fingerprinting Indoor
Localization [5.721124285238145]
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。
論文 参考訳（メタデータ） (2022-01-29T20:49:45Z) - MD-CSDNetwork: Multi-Domain Cross Stitched Network for Deepfake
Detection [80.83725644958633]
現在のディープフェイク生成法では、偽画像やビデオの周波数スペクトルに識別的アーティファクトが残されている。
MD-CSDNetwork(MD-CSDNetwork)と呼ばれる新しい手法を提案する。
論文 参考訳（メタデータ） (2021-09-15T14:11:53Z) - Unsupervised Domain Adaptive Learning via Synthetic Data for Person
Re-identification [101.1886788396803]
人物再識別(re-ID)は、ビデオ監視に広く応用されているため、ますます注目を集めている。
残念なことに、主流のディープラーニング手法では、モデルをトレーニングするために大量のラベル付きデータが必要です。
本稿では,コンピュータゲーム内で合成されたre-IDサンプルを自動的に生成するデータコレクタを開発し,同時にアノテートするデータラベラを構築した。
論文 参考訳（メタデータ） (2021-09-12T15:51:41Z) - Variational Attention: Propagating Domain-Specific Knowledge for
Multi-Domain Learning in Crowd Counting [75.80116276369694]
群集カウントでは, 激しいラベル付けの問題により, 新しい大規模データセットを収集する難易度が知覚される。
マルチドメイン共同学習を活用し,DKPNet(Domain-specific Knowledge Propagating Network)を提案する。
主に、異なるドメインに対する注意分布を明示的にモデル化する、新しい変動注意法(VA)技術を提案する。
論文 参考訳（メタデータ） (2021-08-18T08:06:37Z)
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。