論文の概要: On the Multidimensional Augmentation of Fingerprint Data for Indoor
Localization in A Large-Scale Building Complex Based on Multi-Output Gaussian
Process
- arxiv url: http://arxiv.org/abs/2211.10642v1
- Date: Sat, 19 Nov 2022 10:07:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 22:56:57.231328
- Title: On the Multidimensional Augmentation of Fingerprint Data for Indoor
Localization in A Large-Scale Building Complex Based on Multi-Output Gaussian
Process
- Title（参考訳）: 多出力ガウス過程に基づく大規模建物における屋内位置推定のための指紋データの多次元増強について
- Authors: Zhe Tang, Sihao Li, Kyeong Soo Kim, Jeremy Smith
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 3.8310036898137296
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Wi-Fi fingerprinting becomes a dominant solution for large-scale indoor
localization due to its major advantage of not requiring new infrastructure and
dedicated devices. The number and the distribution of Reference Points (RPs)
for the measurement of localization fingerprints like RSSI during the offline
phase, however, greatly affects the localization accuracy; for instance, the
UJIIndoorLoc is known to have the issue of uneven spatial distribution of RPs
over buildings and floors. Data augmentation has been proposed as a feasible
solution to not only improve the smaller number and the uneven distribution of
RPs in the existing fingerprint databases but also reduce the labor and time
costs of constructing new fingerprint databases. In this paper, we propose the
multidimensional augmentation of fingerprint data for indoor localization in a
large-scale building complex based on Multi-Output Gaussian Process (MOGP) and
systematically investigate the impact of augmentation ratio as well as MOGP
kernel functions and models with their hyperparameters on the performance of
indoor localization using the UJIIndoorLoc database and the state-of-the-art
neural network indoor localization model based on a hierarchical RNN. The
investigation based on experimental results suggests that we can generate
synthetic RSSI fingerprint data up to ten times the original data -- i.e., the
augmentation ratio of 10 -- through the proposed multidimensional MOGP-based
data augmentation without significantly affecting the indoor localization
performance compared to that of the original data alone, which extends the
spatial coverage of the combined RPs and thereby could improve the localization
performance at the locations that are not part of the test dataset.
- Abstract（参考訳）: Wi-Fiフィンガープリントは、新しいインフラや専用デバイスを必要としないという大きな利点があるため、大規模な屋内ローカライズの主要なソリューションとなる。
しかし、オフラインフェーズにおけるRSSIのような位置化指紋の測定のための基準点(RP)の数と分布は、例えばUJIIndoorLocは、建物や床上のRPの不均一な空間分布の問題で知られているように、位置化の精度に大きな影響を与えている。
既存の指紋データベースにおけるRPの小さな数と不均一な分布を改善するだけでなく、新しい指紋データベースを構築する際の労力と時間コストを削減するために、データ拡張が実現可能なソリューションとして提案されている。
本稿では,多出力ガウスプロセス(MOGP)に基づく大規模建物群における屋内位置推定のための指紋データの多次元増強について提案し,UJIIndoorLocデータベースと階層的RNNに基づく最先端ニューラルネットワーク屋内位置推定モデルを用いた室内位置推定の性能に及ぼすMOGPカーネル関数およびそのハイパーパラメータを用いたモデルの影響を系統的に検討する。
The investigation based on experimental results suggests that we can generate synthetic RSSI fingerprint data up to ten times the original data -- i.e., the augmentation ratio of 10 -- through the proposed multidimensional MOGP-based data augmentation without significantly affecting the indoor localization performance compared to that of the original data alone, which extends the spatial coverage of the combined RPs and thereby could improve the localization performance at the locations that are not part of the test dataset.
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) - 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) - SALC: Skeleton-Assisted Learning-Based Clustering for Time-Varying
Indoor Localization [3.9373541926236757]
RSS指向の地図支援クラスタリング(ROMAC)とクラスタスケール位置推定(CsLE)を含むスケルトン支援学習型クラスタリングシステムを提案する。
シミュレーションおよび実験結果から,提案したSALCシステムは,位置推定精度を向上して,指紋データベースを効率的に再構築できることが示されている。
論文 参考訳（メタデータ） (2023-07-14T22:55:52Z) - 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) - Multi-Output Gaussian Process-Based Data Augmentation for Multi-Building
and Multi-Floor Indoor Localization [3.8310036898137296]
RSSIに基づく位置情報のフィンガープリントは,新たなインフラの設置を必要としないという利点から,屋内のローカライズ技術として主流となる。
DNNのようなAI/ML技術を使用することで、位置フィンガープリントをより正確で信頼性の高いものにすることができる。
我々は,多出力ガウス過程(MOGP)に基づくRSSIデータ拡張の3つの異なる手法について検討した。
MOGPに基づくRSSIデータ拡張の可能性は、最先端のRNN屋内ローカライゼーションモデルとUJIに基づく実験によって実証される。
論文 参考訳（メタデータ） (2022-02-04T05:15:52Z) - Hierarchical Multi-Building And Multi-Floor Indoor Localization Based On
Recurrent Neural Networks [2.0305676256390934]
Wi-Fiフィンガープリントを用いたリカレントニューラルネットワーク(RNN)に基づく階層型マルチビルディングとマルチフロア屋内ローカライゼーションを提案する。
提案手法は建物と床をそれぞれ100%と95.24%の精度で推定し、三次元位置決め誤差は8.62mである。
論文 参考訳（メタデータ） (2021-12-23T11:56:31Z) - Three-Way Deep Neural Network for Radio Frequency Map Generation and
Source Localization [67.93423427193055]
空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。
本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
論文 参考訳（メタデータ） (2021-11-23T22:25:10Z) - Local Augmentation for Graph Neural Networks [78.48812244668017]
本稿では,局所的な部分グラフ構造によりノード特性を向上する局所拡張を提案する。
局所的な拡張に基づいて、プラグイン・アンド・プレイ方式で任意のGNNモデルに適用可能な、LA-GNNという新しいフレームワークをさらに設計する。
論文 参考訳（メタデータ） (2021-09-08T18:10:08Z) - ProxyFAUG: Proximity-based Fingerprint Augmentation [81.15016852963676]
ProxyFAUGはルールベースで近接性に基づく指紋増強法である。
このデータセット上で最高のパフォーマンスの測位法は、中央値エラーで40%改善され、平均誤差で6%向上した。
論文 参考訳（メタデータ） (2021-02-04T15:59:30Z) - Deep Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。
提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文 参考訳（メタデータ） (2021-01-12T20:08:18Z) - 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。