論文の概要: A Framework for CSI-Based Indoor Localization with 1D Convolutional Neural Networks

• arxiv url: http://arxiv.org/abs/2205.08068v1
• Date: Tue, 17 May 2022 03:04:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-18 13:10:32.256916
• Title: A Framework for CSI-Based Indoor Localization with 1D Convolutional Neural Networks
• Title（参考訳）: 1次元畳み込みニューラルネットワークを用いたCSIを用いた屋内位置推定フレームワーク
• Authors: Liping Wang, Sudeep Pasricha
• Abstract要約: 本稿では,データ収集,パターンクラスタリング,デノイング,キャリブレーション,CSIフィンガープリントを用いた軽量1次元畳み込みニューラルネットワーク(1D CNN)モデルなどのエンドツーエンドソリューションを提案する。 実験の結果,最もよく知られたディープラーニングやCSIベースの屋内ローカライゼーションよりも,最小限のパラメータで最大68.5%の性能向上を実現していることがわかった。
• 参考スコア（独自算出の注目度）: 4.812445272764651
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Modern indoor localization techniques are essential to overcome the weak GPS coverage in indoor environments. Recently, considerable progress has been made in Channel State Information (CSI) based indoor localization with signal fingerprints. However, CSI signal patterns can be complicated in the large and highly dynamic indoor spaces with complex interiors, thus a solution for solving this issue is urgently needed to expand the applications of CSI to a broader indoor space. In this paper, we propose an end-to-end solution including data collection, pattern clustering, denoising, calibration and a lightweight one-dimensional convolutional neural network (1D CNN) model with CSI fingerprinting to tackle this problem. We have also created and plan to open source a CSI dataset with a large amount of data collected across complex indoor environments at Colorado State University. Experiments indicate that our approach achieves up to 68.5% improved performance (mean distance error) with minimal number of parameters, compared to the best-known deep machine learning and CSI-based indoor localization works.
• Abstract（参考訳）: 屋内環境におけるGPSの弱さを克服するためには,現代の屋内局地化技術が不可欠である。 近年,Channel State Information (CSI) による信号指紋を用いた屋内局在化が著しく進展している。 しかし,複雑な室内空間を持つ大規模かつ高ダイナミックな屋内空間ではcsi信号のパターンが複雑になるため,csiの応用範囲をより広い室内空間に拡張するには,この問題に対する解決策が緊急に必要となる。 本稿では,データ収集,パターンクラスタリング,デノイング,キャリブレーション,CSIフィンガープリントを用いた軽量な1次元畳み込みニューラルネットワーク(1D CNN)モデルを含むエンドツーエンドソリューションを提案する。 また、コロラド州立大学の複雑な屋内環境にまたがる大量のデータを収集したCSIデータセットのオープンソース化も計画しています。 実験の結果,最大68.5%の性能向上(平均距離誤差)を最小限のパラメータで達成できることがわかった。

関連論文リスト

• Enabling High Data Throughput Reinforcement Learning on GPUs: A Domain Agnostic Framework for Data-Driven Scientific Research [90.91438597133211]
  我々は、強化学習の適用において重要なシステムのボトルネックを克服するために設計されたフレームワークであるWarpSciを紹介する。 我々は、CPUとGPU間のデータ転送の必要性を排除し、数千のシミュレーションを同時実行可能にする。
  論文  参考訳（メタデータ） (2024-08-01T21:38:09Z)
• 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)
• 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)
• Transferability of Convolutional Neural Networks in Stationary Learning Tasks [96.00428692404354]
  本稿では,大規模な空間問題に対する畳み込みニューラルネットワーク(CNN)の効率的なトレーニングのための新しいフレームワークを提案する。 このような信号の小さなウィンドウで訓練されたCNNは、再学習することなく、はるかに大きなウィンドウでほぼ性能を発揮することを示す。 以上の結果から,CNNは10人未満の訓練を受けた後,数百人のエージェントによる問題に対処できることが示唆された。
  論文  参考訳（メタデータ） (2023-07-21T13:51:45Z)
• Solving Large-scale Spatial Problems with Convolutional Neural Networks [88.31876586547848]
  大規模空間問題に対する学習効率を向上させるために移動学習を用いる。 畳み込みニューラルネットワーク (CNN) は, 信号の小さな窓で訓練できるが, 性能劣化の少ない任意の大信号で評価できる。
  論文  参考訳（メタデータ） (2023-06-14T01:24:42Z)
• Simple and Effective Augmentation Methods for CSI Based Indoor Localization [37.3026733673066]
  物理的考察により,チャネル状態情報に基づく屋内位置推定のための2つのアルゴリズムを提案する。 オリジナルのデータセットのサイズの10%は、オリジナルのデータセットと同じパフォーマンスを得るのに十分です。 提案手法によりさらにデータセットを増大させると、テスト精度は3倍以上に向上する。
  論文  参考訳（メタデータ） (2022-11-19T20:27:46Z)
• On the Multidimensional Augmentation of Fingerprint Data for Indoor Localization in A Large-Scale Building Complex Based on Multi-Output Gaussian Process [3.8310036898137296]
  Wi-Fiフィンガープリンティングは、大規模な屋内ローカライゼーションの主流のソリューションとなる。 位置化指紋の測定における基準点(RP)の数と分布は精度に大きな影響を及ぼす。 データ拡張は、RPの少ない数と不均一な分布を改善するための実現可能なソリューションとして提案されている。
  論文  参考訳（メタデータ） (2022-11-19T10:07:17Z)
• CSI-based Indoor Localization via Attention-Augmented Residual Convolutional Neural Network [38.826117059245895]
  本稿では,高精度で汎用性の高い新しいローカライズシステムを提案する。 本稿では,CSIにおける局所的情報とグローバルな文脈を網羅的に活用するために,新たに注目を増したResidual CNNを提案する。 トラッキングシステムの汎用性を考慮し、トラッキングシステムをCSI環境から切り離して、すべての環境を対象とした1つのトラッキングシステムを実現する。
  論文  参考訳（メタデータ） (2022-05-11T21:11:05Z)
• CLNet: Complex Input Lightweight Neural Network designed for Massive MIMO CSI Feedback [7.63185216082836]
  本稿では,CSIの固有特性に基づくCSIフィードバック問題に適したニューラルネットワークCLNetを提案する。 実験の結果,CLNetは室内・屋外のシナリオで平均5.41%の精度向上により最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-02-15T12:16:11Z)
• 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)
• Modeling from Features: a Mean-field Framework for Over-parameterized Deep Neural Networks [54.27962244835622]
  本稿では、オーバーパラメータ化ディープニューラルネットワーク(DNN)のための新しい平均場フレームワークを提案する。 このフレームワークでは、DNNは連続的な極限におけるその特徴に対する確率測度と関数によって表現される。 本稿では、標準DNNとResidual Network(Res-Net)アーキテクチャを通してフレームワークを説明する。
  論文  参考訳（メタデータ） (2020-07-03T01:37:16Z)

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。