論文の概要: Multi-Head Attention Neural Network for Smartphone Invariant Indoor Localization

• arxiv url: http://arxiv.org/abs/2205.08069v1
• Date: Tue, 17 May 2022 03:08:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-18 13:10:12.677065
• Title: Multi-Head Attention Neural Network for Smartphone Invariant Indoor Localization
• Title（参考訳）: スマートフォン不変室内位置推定のためのマルチヘッドアテンションニューラルネットワーク
• Authors: Saideep Tiku, Danish Gufran, Sudeep Pasricha
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 3.577310844634503
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Smartphones together with RSSI fingerprinting serve as an efficient approach for delivering a low-cost and high-accuracy indoor localization solution. However, a few critical challenges have prevented the wide-spread proliferation of this technology in the public domain. One such critical challenge is device heterogeneity, i.e., the variation in the RSSI signal characteristics captured across different smartphone devices. In the real-world, the smartphones or IoT devices used to capture RSSI fingerprints typically vary across users of an indoor localization service. Conventional indoor localization solutions may not be able to cope with device-induced variations which can degrade their localization accuracy. We propose a multi-head attention neural network-based indoor localization framework that is resilient to device heterogeneity. An in-depth analysis of our proposed framework across a variety of indoor environments demonstrates up to 35% accuracy improvement compared to state-of-the-art indoor localization techniques.
• Abstract（参考訳）: スマートフォンとrssi指紋認証は、低コストで高精度な屋内ローカライズソリューションを提供するための効率的なアプローチである。 しかし、いくつかの重要な課題は、パブリックドメインにおけるこの技術の普及を妨げている。 そのような重要な課題の1つはデバイスの不均一性、すなわち、異なるスマートフォンデバイス間でキャプチャされたRSSI信号特性の変化である。 現実世界では、RSSI指紋をキャプチャするために使われるスマートフォンやIoTデバイスは、一般的に屋内ローカライゼーションサービスのユーザによって異なる。 従来の屋内ローカライズソリューションは、そのローカライズ精度を低下させるデバイスによる変動に対応できない可能性がある。 本稿では,デバイスの不均一性に耐性を持つマルチヘッドアテンションニューラルネットワークを用いた屋内定位フレームワークを提案する。 各種屋内環境におけるフレームワーク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35%の精度向上が得られた。

関連論文リスト

• Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
  異常と欠落したデータは、産業応用における厄介な問題を構成する。 ディープラーニングによる異常検出が重要な方向として現れている。 エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
  論文  参考訳（メタデータ） (2024-11-06T15:38:31Z)
• DiffuBox: Refining 3D Object Detection with Point Diffusion [74.01759893280774]
  本研究では,3次元物体の検出と局所化を確保するために,新しい拡散型ボックス精細化手法を提案する。 提案手法は,様々なドメイン適応設定下で評価し,その結果,異なるデータセット間での大幅な改善が示された。
  論文  参考訳（メタデータ） (2024-05-25T03:14:55Z)
• 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)
• 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)
• STELLAR: Siamese Multi-Headed Attention Neural Networks for Overcoming Temporal Variations and Device Heterogeneity with Indoor Localization [2.9699290794642366]
  スマートフォンベースの屋内ローカライゼーションは、モバイルおよびIoTデバイスを屋内でローカライズするためのコスト効率と正確なソリューションとして登場した。 対照的な学習手法を実装した新しいフレームワークSTELLARを提案する。 その結果,最先端技術と比較して精度が8～75%向上した。
  論文  参考訳（メタデータ） (2023-12-16T04:12:36Z)
• VITAL: Vision Transformer Neural Networks for Accurate Smartphone Heterogeneity Resilient Indoor Localization [3.577310844634503]
  Wi-Fiフィンガープリントに基づく屋内ローカライゼーションは、新たな組み込みアプリケーションドメインである。 この課題に対処するために,VITALと呼ばれる視覚トランスフォーマーニューラルネットワークに基づく新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-18T23:43:45Z)
• Pervasive Machine Learning for Smart Radio Environments Enabled by Reconfigurable Intelligent Surfaces [56.35676570414731]
  Reconfigurable Intelligent Surfaces(RIS)の新たな技術は、スマート無線環境の実現手段として準備されている。 RISは、無線媒体上の電磁信号の伝搬を動的に制御するための、高度にスケーラブルで低コストで、ハードウェア効率が高く、ほぼエネルギーニュートラルなソリューションを提供する。 このような再構成可能な無線環境におけるRISの密配置に関する大きな課題の1つは、複数の準曲面の効率的な構成である。
  論文  参考訳（メタデータ） (2022-05-08T06:21:33Z)
• Siamese Neural Encoders for Long-Term Indoor Localization with Mobile Devices [5.063728016437489]
  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。
  論文  参考訳（メタデータ） (2021-11-28T07:22:55Z)
• Neural Disparity Refinement for Arbitrary Resolution Stereo [67.55946402652778]
  本稿では,安価で広範なコンシューマデバイスへの3Dコンピュータビジョンの展開を容易にすることを目的とした,ニューラルディファリティ改善のための新しいアーキテクチャを提案する。 我々のアプローチは任意の出力解像度で洗練された不均一写像を推定できる連続的な定式化に依存している。
  論文  参考訳（メタデータ） (2021-10-28T18:00:00Z)
• Towards AIOps in Edge Computing Environments [60.27785717687999]
  本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。 高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
  論文  参考訳（メタデータ） (2021-02-12T09:33:00Z)
• 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)

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。