論文の概要: I Tag, You Tag, Everybody Tags!
- arxiv url: http://arxiv.org/abs/2303.06073v1
- Date: Thu, 9 Mar 2023 17:19:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-13 14:17:25.072406
- Title: I Tag, You Tag, Everybody Tags!
- Title（参考訳）: I Tag, You Tag, Everybody Tags!
- Authors: Hazem Ibrahim, Rohail Asim, Matteo Varvello, Yasir Zaki
- Abstract要約: 位置情報タグは、個人所有物の追跡を可能にする。
場所タグが人をストーカーするのに 悪用されているという 逸話的な証拠だ
本稿では,最も人気のある2つの位置タグの性能について検討する。
- 参考スコア（独自算出の注目度）: 0.9673093148930875
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Location tags enable tracking of personal belongings. This is achieved
locally, e.g., via Bluetooth with a paired phone, and remotely, by piggybacking
on the location reported by location-reporting devices which come into
proximity of a tag. There has been anecdotal evidence that location tags are
also misused to stalk people. This paper studies the performance of the two
most popular location tags (Apple's AirTag and Samsung's SmartTag) through
controlled experiments -- with a known large distribution of location-reporting
devices -- as well as in-the-wild experiments -- with no control on the number
and kind of reporting devices encountered, thus emulating real-life use-cases.
We find that both tags achieve similar performance, e.g., they are located 60%
of the times in about 10 minutes within a 100 meter radius. It follows that
real time stalking via location tags is impractical, even when both tags are
concurrently deployed which achieves comparable accuracy in half the time.
Nevertheless, half of a victim's movements can be backtracked accurately (10
meter error) with just a one-hour delay.
- Abstract（参考訳）: 位置情報タグは個人持ち物の追跡を可能にする。
これは、例えばBluetoothとペアの電話でローカルに達成され、タグに近づいた位置情報レポート装置によって報告された位置をピギーバックすることでリモートで達成される。
位置情報タグが人をストーカーするのに悪用されているという逸話もある。
本稿は,Apple の AirTag と Samsung の SmartTag の2つの人気ロケーションタグのパフォーマンスについて,ロケーションレポートデバイスを多数配布したコントロール実験と,Wild 内実験を行い,発生したレポートデバイスの数や種類を制御せずに,実生活のユースケースをエミュレートする。
どちらのタグも同様の性能を示しており、例えば、半径100m以内の約10分で60%の速度で位置する。
位置タグによるリアルタイムストーキングは,両タグが同時にデプロイされたとしても非現実的であり,半分の時間で同等の精度を達成している。
それでも、被害者の動作の半分は、わずか1時間遅れで正確に(10メートルの誤差)バックトラックできる。
関連論文リスト
- Learning 3D Perception from Others' Predictions [64.09115694891679]
本研究では,3次元物体検出装置を構築するための新たなシナリオについて検討する。
例えば、自動運転車が新しいエリアに入ると、その領域に最適化された検出器を持つ他の交通参加者から学ぶことができる。
論文 参考訳（メタデータ） (2024-10-03T16:31:28Z) - AndroCon: Conning Location Services in Android [0.4143603294943439]
本報告では,モバイル端末から1年間4万平方キロメートルの地域で半処理されたGPSデータを用いた縦断的研究について述べる。
データは航空機、クルーズ船、高度の高い場所から取得された。
われわれの研究であるAndroConは、lin-ear判別分析、無香のカルマンフィルター、勾配向上、ランダムな森林学習を組み合わせて、正確な環境と人間の活動センサーを提供する。
論文 参考訳（メタデータ） (2024-07-28T04:20:26Z) - LEOD: Label-Efficient Object Detection for Event Cameras [25.799170829163845]
イベントカメラによるオブジェクト検出は、センサーの低レイテンシと高ダイナミックレンジの恩恵を受ける。
時間分解能が高いため、教師付きトレーニングのためにイベントストリームを完全にラベル付けするのはコストがかかる。
本稿では,ラベル効率の高いイベントベース検出手法LEODを提案する。
論文 参考訳（メタデータ） (2023-11-29T00:09:45Z) - Goodbye Tracking? Impact of iOS App Tracking Transparency and Privacy
Labels [25.30364629335751]
AppleはiOS 14で、iOS上のトラッキングを可能にする必須オプトインシステムであるApp Tracking Transparency (ATT)と、プライバシ栄養ラベルの2つの重要な変更を導入した。
この記事では、英国App Storeから1,759のiOSアプリの2つのバージョンを分析し、これらの変更が個人のプライバシとコントロールに与える影響について論じる。
Apple自身が、サードパーティの追跡や信用スコアなどの侵入的なデータプラクティスを、何らかの形で追跡し、免除していることに気付きました。
論文 参考訳（メタデータ） (2022-04-07T16:32:58Z) - Learning to Detect Mobile Objects from LiDAR Scans Without Labels [60.49869345286879]
現在、自動運転のための3Dオブジェクト検出器は、ほとんど完全に人間の注釈付きデータに基づいて訓練されている。
本稿では,地球上のほぼどこでも,安価かつ多量に収集できるラベルなしデータに基づく代替手法を提案する。
論文 参考訳（メタデータ） (2022-03-29T20:05:24Z) - Benchmarking high-fidelity pedestrian tracking systems for research,
real-time monitoring and crowd control [55.41644538483948]
実生活環境における高忠実な歩行者追跡は,群集動態研究において重要なツールである。
この技術が進歩するにつれて、社会においても益々有用になってきている。
歩行者追跡技術の研究と技術に成功させるためには、正確さの検証とベンチマークが不可欠である。
我々は、プライバシーに配慮した歩行者追跡技術のためのベンチマークスイートをコミュニティのオープンスタンダードに向けて提示し、議論する。
論文 参考訳（メタデータ） (2021-08-26T11:45:26Z) - Analysis of geospatial behaviour of visitors of urban gardens: is
positioning via smartphones a valid solution? [0.0]
本研究では,スマートフォンで直接記録された位置が,都市庭園における人々の行動の空間的分析に有効な解である,という仮説を検証した。
i)参照トラックに対する位置の精度の評価、(ii)位置情報の送信と処理を自動化するフレームワークの実装、(iii)空間分析による所望スポットの分析の3つの部分について報告する。
論文 参考訳（メタデータ） (2021-06-20T08:32:05Z) - Supervision by Registration and Triangulation for Landmark Detection [70.13440728689231]
本稿では,マルチビュー映像を用いた教師なし手法である登録・三角測量(srt)による監視を行い,ランドマーク検出器の精度と精度を向上させる。
ラベルのないデータを活用することで、検出者は大量のラベルのないデータから自由に学べる。
論文 参考訳（メタデータ） (2021-01-25T02:48:21Z) - Quasi-Dense Similarity Learning for Multiple Object Tracking [82.93471035675299]
本稿では, コントラスト学習のための画像に対して, 数百の領域提案を高密度にサンプリングする準高次類似性学習を提案する。
この類似性学習と既存の検出手法を直接組み合わせてQuasi-Dense Tracking(QDTrack)を構築することができる。
論文 参考訳（メタデータ） (2020-06-11T17:57:12Z) - TAO: A Large-Scale Benchmark for Tracking Any Object [95.87310116010185]
オブジェクトのデータセットの追跡は2,907本の高解像度ビデオで構成され、平均で30分の長さの多様な環境でキャプチャされる。
ビデオの任意の時点で移動するオブジェクトにアノテータにラベルを付け、ファクトラムの後に名前を付けるように求めます。
我々の語彙は、既存の追跡データセットと著しく大きく、質的に異なる。
論文 参考訳（メタデータ） (2020-05-20T21:07:28Z)
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。