論文の概要: VITAL: Vision Transformer Neural Networks for Accurate Smartphone Heterogeneity Resilient Indoor Localization

• arxiv url: http://arxiv.org/abs/2302.09443v1
• Date: Sat, 18 Feb 2023 23:43:45 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-21 18:26:09.814173
• Title: VITAL: Vision Transformer Neural Networks for Accurate Smartphone Heterogeneity Resilient Indoor Localization
• Title（参考訳）: VITAL-Vision Transformer Neural Networks for Accurate smartphone Heterogeneity Resilient Indoor Localization (特集 バイオサイバネティックスとバイオサイバネティックス)
• Authors: Danish Gufran, Saideep Tiku, Sudeep Pasricha
• Abstract要約: 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。
• 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: Wi-Fi fingerprinting-based indoor localization is an emerging embedded application domain that leverages existing Wi-Fi access points (APs) in buildings to localize users with smartphones. Unfortunately, the heterogeneity of wireless transceivers across diverse smartphones carried by users has been shown to reduce the accuracy and reliability of localization algorithms. In this paper, we propose a novel framework based on vision transformer neural networks called VITAL that addresses this important challenge. Experiments indicate that VITAL can reduce the uncertainty created by smartphone heterogeneity while improving localization accuracy from 41% to 68% over the best-known prior works. We also demonstrate the generalizability of our approach and propose a data augmentation technique that can be integrated into most deep learning-based localization frameworks to improve accuracy.
• Abstract（参考訳）: Wi-Fi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、建物内の既存のWi-Fiアクセスポイント(AP)を活用してスマートフォンでユーザをローカライズする、新たな組み込みアプリケーションドメインである。 残念なことに、ユーザによって携帯される多様なスマートフォンにおける無線トランシーバの不均一性は、ローカライズアルゴリズムの精度と信頼性を低下させることが示されている。 本稿では、この重要な課題に対処するVITALと呼ばれるビジョン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。 実験によると、vitalはスマートフォンの不均一性によって生じる不確実性を低減し、最もよく知られた先行作品よりも41%から68%に精度を向上できる。 また,本手法の一般化性を実証し,深層学習に基づくローカライゼーションフレームワークに統合して精度を向上させるデータ拡張手法を提案する。

関連論文リスト

• 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)
• Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
  デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。 無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。 そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
  論文  参考訳（メタデータ） (2023-12-08T13:50:30Z)
• AFR-Net: Attention-Driven Fingerprint Recognition Network [47.87570819350573]
  指紋認識を含む生体認証における視覚変換器(ViT)の使用に関する初期研究を改善する。 ネットワーク内の中間特徴マップから抽出した局所的な埋め込みを用いて,グローバルな埋め込みを低確かさで洗練する手法を提案する。 この戦略は、既存のディープラーニングネットワーク(アテンションベース、CNNベース、あるいはその両方を含む)のラッパーとして適用することで、パフォーマンスを向上させることができる。
  論文  参考訳（メタデータ） (2022-11-25T05:10:39Z)
• GraSens: A Gabor Residual Anti-aliasing Sensing Framework for Action Recognition using WiFi [52.530330427538885]
  WiFiベースのヒューマンアクション認識(HAR)は、スマートリビングやリモート監視といったアプリケーションにおいて、有望なソリューションと見なされている。 本稿では,無線機器からのWiFi信号を用いた動作を,多様なシナリオで直接認識する,エンド・ツー・エンドのGabor残差検知ネットワーク(GraSens)を提案する。
  論文  参考訳（メタデータ） (2022-05-24T10:20:16Z)
• Multi-Head Attention Neural Network for Smartphone Invariant Indoor Localization [3.577310844634503]
  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。
  論文  参考訳（メタデータ） (2022-05-17T03:08:09Z)
• LocUNet: Fast Urban Positioning Using Radio Maps and Deep Learning [59.17191114000146]
  LocUNet: 基地局(BSs)からの受信信号強度(RSS)のみに基づく深層学習手法 提案手法では,BSsからのRSSを,クラウド上に存在する可能性のある中央処理ユニット(CPU)にローカライズする。 推定されたBSのパスロスラジオマップを用いて、LocUNetは最先端の精度でユーザをローカライズし、無線マップの不正確性に対して高い堅牢性を享受する。
  論文  参考訳（メタデータ） (2022-02-01T20:27:46Z)
• Reconfigurable Intelligent Surfaces and Machine Learning for Wireless Fingerprinting Localization [4.272515397452791]
  Reconfigurable Intelligent Surfaces (RIS) は、改良され、セキュアで、より効率的な無線通信を約束する。 無線指紋認証のローカライズアプリケーションにおいて、RISが提供した多様性を利用して、容易に識別可能な無線マップを生成し、選択する方法を提案し、実証する。
  論文  参考訳（メタデータ） (2020-10-07T08:10:18Z)
• EdgeLoc: An Edge-IoT Framework for Robust Indoor Localization Using Capsule Networks [3.659977669398194]
  カプセルネットワークを用いた効率的で堅牢な屋内ローカライズのためのエッジIoTフレームワークであるEdgeLocを提案する。 WiFi指紋データから階層情報を効率的に抽出する深層学習モデルをCapsNetで開発する。 我々は,33,600点以上のデータポイントを用いて実世界のフィールド実験を行い,オープンデータセットを用いた広範囲な合成実験を行った。
  論文  参考訳（メタデータ） (2020-09-12T12:38:47Z)
• 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)
• Real-time Localization Using Radio Maps [59.17191114000146]
  パスロスに基づく簡易かつ効果的なローカライゼーション法を提案する。 提案手法では, 受信した信号強度を, 既知の位置を持つ基地局の集合から報告する。
  論文  参考訳（メタデータ） (2020-06-09T16:51:17Z)

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。