論文の概要: Deep GEM-Based Network for Weakly Supervised UWB Ranging Error Mitigation

• arxiv url: http://arxiv.org/abs/2305.13904v1
• Date: Tue, 23 May 2023 10:26:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-24 17:08:55.102765
• Title: Deep GEM-Based Network for Weakly Supervised UWB Ranging Error Mitigation
• Title（参考訳）: 弱教師付きUWBラング誤り除去のための深部EMに基づくネットワーク
• Authors: Yuxiao Li, Santiago Mazuelas, Yuan Shen
• Abstract要約: 本稿では,UWB範囲の誤差軽減のための弱監督に基づく学習フレームワークを提案する。 具体的には, 予測最大化(GEM)アルゴリズムを応用して, 精度の高いUWBレンジの誤差軽減を実現する深層学習手法を提案する。
• 参考スコア（独自算出の注目度）: 29.827191184889898
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ultra-wideband (UWB)-based techniques, while becoming mainstream approaches for high-accurate positioning, tend to be challenged by ranging bias in harsh environments. The emerging learning-based methods for error mitigation have shown great performance improvement via exploiting high semantic features from raw data. However, these methods rely heavily on fully labeled data, leading to a high cost for data acquisition. We present a learning framework based on weak supervision for UWB ranging error mitigation. Specifically, we propose a deep learning method based on the generalized expectation-maximization (GEM) algorithm for robust UWB ranging error mitigation under weak supervision. Such method integrate probabilistic modeling into the deep learning scheme, and adopt weakly supervised labels as prior information. Extensive experiments in various supervision scenarios illustrate the superiority of the proposed method.
• Abstract（参考訳）: 超広帯域(uwb)ベースの技術は、高精度な位置決めの主流となる一方で、厳しい環境でバイアスを分散させることで挑戦される傾向がある。 エラー緩和のための新しい学習ベースの手法は、生データから高い意味的特徴を活用し、優れたパフォーマンス向上を示している。 しかし、これらの手法はラベル付きデータに大きく依存しており、データ取得のコストが高い。 本稿では,uwb範囲の誤差軽減のための弱監視に基づく学習フレームワークを提案する。 具体的には,弱監督下での頑健なuwb範囲誤差緩和のための一般化期待最大化(gem)アルゴリズムに基づく深層学習法を提案する。 このような手法は確率的モデリングをディープラーニング手法に統合し、弱い教師付きラベルを事前情報として採用する。 様々な監視シナリオにおける大規模な実験は,提案手法の優位性を示している。

関連論文リスト

• Removing the need for ground truth UWB data collection: self-supervised ranging error correction using deep reinforcement learning [1.4061979259370274]
  マルチパス効果と非視界条件は、アンカーとタグの間の範囲エラーを引き起こす。 これらの範囲の誤差を緩和するための既存のアプローチは、大きなラベル付きデータセットの収集に依存している。 本稿では,ラベル付き真実データを必要としない自己教師付き深層強化学習手法を提案する。
  論文  参考訳（メタデータ） (2024-03-28T09:36:55Z)
• Beyond Deep Ensembles: A Large-Scale Evaluation of Bayesian Deep Learning under Distribution Shift [19.945634052291542]
  我々は、WILDSコレクションから現実のデータセットに対する最新のBDLアルゴリズムを評価し、難解な分類と回帰タスクを含む。 我々は、大規模な、畳み込み、トランスフォーマーベースのニューラルネットワークアーキテクチャにおいて、アルゴリズムを比較した。 そこで本研究では,BDLを用いた大規模事前学習モデルのシステム評価を行った。
  論文  参考訳（メタデータ） (2023-06-21T14:36:03Z)
• A Semi-Supervised Learning Approach for Ranging Error Mitigation Based on UWB Waveform [29.827191184889898]
  UWBレンジ誤差軽減のための変分ベイズに基づく半教師付き学習手法を提案する。 本手法はラベル付きデータとラベルなしデータの両方からの知識を効率的に蓄積することができる。
  論文  参考訳（メタデータ） (2023-05-23T10:08:42Z)
• Efficient Deep Reinforcement Learning Requires Regulating Overfitting [91.88004732618381]
  本稿では,高時間差(TD)誤差が深部RLアルゴリズムの性能に悪影響を及ぼす主要な原因であることを示す。 検証TDエラーをターゲットとした簡単なオンラインモデル選択法は,状態ベースDMCおよびGymタスク間で有効であることを示す。
  論文  参考訳（メタデータ） (2023-04-20T17:11:05Z)
• Uncertainty Estimation by Fisher Information-based Evidential Deep Learning [61.94125052118442]
  不確実性推定は、ディープラーニングを実用アプリケーションで信頼できるものにする鍵となる要素である。 漁業情報に基づくエビデンシャルディープラーニング(mathcalI$-EDL)を提案する。 特に,各サンプルが有する証拠の情報量を測定するためにFisher Information Matrix (FIM)を導入し,目的的損失項を動的に重み付けし,不確実なクラスの表現学習に集中させる。
  論文  参考訳（メタデータ） (2023-03-03T16:12:59Z)
• Cluster-level pseudo-labelling for source-free cross-domain facial expression recognition [94.56304526014875]
  表情認識のためのSFUDA法を提案する。 本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。 提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-11T08:24:50Z)
• Disambiguation of weak supervision with exponential convergence rates [88.99819200562784]
  教師付き学習では、データは不完全で差別的な情報で注釈付けされる。 本稿では,ある入力から潜在的な対象のセットが与えられる弱い監督の事例である部分的ラベリングに焦点を当てる。 弱い監督から完全な監督を回復する実証的曖昧化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-04T18:14:32Z)
• Robust Ultra-wideband Range Error Mitigation with Deep Learning at the Edge [0.0]
  室内無線環境のマルチパス効果、反射、屈折、複雑さは、測定範囲に正のバイアスをもたらす可能性がある。 本稿では,ディープラーニングとグラフ最適化技術の最新技術を活用した効率的な表現学習手法を提案する。 チャネルインパルス応答(CIR)信号を直接利用して高い意味的特徴を抽出し、NLoS条件またはLoS条件の補正を推定する。
  論文  参考訳（メタデータ） (2020-11-30T10:52:21Z)
• Semi-Supervised Learning with Meta-Gradient [123.26748223837802]
  半教師付き学習における簡単なメタ学習アルゴリズムを提案する。 その結果,提案アルゴリズムは最先端の手法に対して良好に動作することがわかった。
  論文  参考訳（メタデータ） (2020-07-08T08:48:56Z)
• Non-Negative Bregman Divergence Minimization for Deep Direct Density Ratio Estimation [18.782750537161615]
  実験的なBD推定器の非負の補正手法を提案する。 提案手法は,不整合型外乱検出において良好な性能を示す。
  論文  参考訳（メタデータ） (2020-06-12T07:39:03Z)
• Learning the Truth From Only One Side of the Story [58.65439277460011]
  一般化線形モデルに焦点をあて、このサンプリングバイアスを調整しなければ、モデルは準最適に収束するか、あるいは最適解に収束しないかもしれないことを示す。 理論的保証を伴って適応的なアプローチを提案し、いくつかの既存手法を実証的に上回っていることを示す。
  論文  参考訳（メタデータ） (2020-06-08T18:20:28Z)

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。