論文の概要: A Semi-Supervised Learning Approach for Ranging Error Mitigation Based on UWB Waveform

• arxiv url: http://arxiv.org/abs/2305.18208v1
• Date: Tue, 23 May 2023 10:08:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-04 11:48:55.198099
• Title: A Semi-Supervised Learning Approach for Ranging Error Mitigation Based on UWB Waveform
• Title（参考訳）: UWB波形に基づく誤り除去のための半教師付き学習手法
• Authors: Yuxiao Li, Santiago Mazuelas, Yuan Shen
• Abstract要約: 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。
• 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: Localization systems based on ultra-wide band (UWB) measurements can have unsatisfactory performance in harsh environments due to the presence of non-line-of-sight (NLOS) errors. Learning-based methods for error mitigation have shown great performance improvement via directly exploiting the wideband waveform instead of handcrafted features. However, these methods require data samples fully labeled with actual measurement errors for training, which leads to time-consuming data collection. In this paper, we propose a semi-supervised learning method based on variational Bayes for UWB ranging error mitigation. Combining deep learning techniques and statistic tools, our method can efficiently accumulate knowledge from both labeled and unlabeled data samples. Extensive experiments illustrate the effectiveness of the proposed method under different supervision rates, and the superiority compared to other fully supervised methods even at a low supervision rate.
• Abstract（参考訳）: 超広帯域(UWB)測定に基づくローカライゼーションシステムは、非視線誤差(NLOS)が存在するため、厳しい環境では不満足な性能を有する。 学習に基づく誤り軽減手法は,手作り機能の代わりに広帯域波形を直接利用することにより,優れた性能向上を実現している。 しかし、これらの手法はトレーニングに実際の測定誤差をラベル付けしたデータサンプルを必要とするため、時間を要するデータ収集につながる。 本稿では,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。 ディープラーニング技術と統計ツールを組み合わせて,ラベル付きデータとラベルなしデータの両方から知識を効率的に蓄積する。 広範な実験により, 異なる監督率で提案手法の有効性と, 低監督率でも他の完全監督法と比較して優れていることを示す。

関連論文リスト

• Wireless Channel Aware Data Augmentation Methods for Deep Learning-Based Indoor Localization [22.76179980847908]
  本稿では,無線伝搬チャネルやデバイスに関するドメイン知識を活用する手法を提案する。 低データ体制では、ローカライゼーション精度は50%まで上昇し、高データ体制における非増大した結果と一致することを示す。 提案手法は,測定データ量の1/4しか使用せず,最大で33%のハイデータ性能を達成できる。
  論文  参考訳（メタデータ） (2024-08-12T19:01:49Z)
• 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)
• A Channel-ensemble Approach: Unbiased and Low-variance Pseudo-labels is Critical for Semi-supervised Classification [61.473485511491795]
  半教師付き学習(SSL)はコンピュータビジョンにおける実践的な課題である。 Pseudo-label (PL) メソッド、例えば FixMatch や FreeMatch は SSL で State of The Art (SOTA) のパフォーマンスを取得する。 本稿では,複数の下位PLを理論的に保証された非偏りと低分散のPLに集約する,軽量なチャネルベースアンサンブル法を提案する。
  論文  参考訳（メタデータ） (2024-03-27T09:49:37Z)
• Deep GEM-Based Network for Weakly Supervised UWB Ranging Error Mitigation [29.827191184889898]
  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。
  論文  参考訳（メタデータ） (2023-05-23T10:26:50Z)
• 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)
• Boosting Facial Expression Recognition by A Semi-Supervised Progressive Teacher [54.50747989860957]
  本稿では,信頼度の高いFERデータセットと大規模未ラベル表現画像を有効訓練に用いるための半教師付き学習アルゴリズム,Progressive Teacher (PT)を提案する。 RAF-DB と FERPlus を用いた実験により,RAF-DB で89.57% の精度で最先端の性能を実現する手法の有効性が検証された。
  論文  参考訳（メタデータ） (2022-05-28T07:47:53Z)
• Scale-Equivalent Distillation for Semi-Supervised Object Detection [57.59525453301374]
  近年のSemi-Supervised Object Detection (SS-OD) 法は主に自己学習に基づいており、教師モデルにより、ラベルなしデータを監視信号としてハードな擬似ラベルを生成する。 実験結果から,これらの手法が直面する課題を分析した。 本稿では,大規模オブジェクトサイズの分散とクラス不均衡に頑健な簡易かつ効果的なエンド・ツー・エンド知識蒸留フレームワークであるSED(Scale-Equivalent Distillation)を提案する。
  論文  参考訳（メタデータ） (2022-03-23T07:33:37Z)
• DEALIO: Data-Efficient Adversarial Learning for Imitation from Observation [57.358212277226315]
  観察ifoからの模倣学習において、学習エージェントは、実演者の生成した制御信号にアクセスせずに、実演行動の観察のみを用いて実演エージェントを模倣しようとする。 近年、逆模倣学習に基づく手法は、ifO問題に対する最先端のパフォーマンスをもたらすが、データ非効率でモデルなしの強化学習アルゴリズムに依存するため、サンプルの複雑さに悩まされることが多い。 この問題は、サンプルの収集が時間、エネルギー、およびリスクの面で高いコストを被る可能性がある現実世界の設定に展開することは非現実的です。 よりデータ効率の高いifOアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-31T23:46:32Z)
• Attentional-Biased Stochastic Gradient Descent [74.49926199036481]
  深層学習におけるデータ不均衡やラベルノイズ問題に対処するための証明可能な手法(ABSGD)を提案する。 本手法は運動量SGDの簡易な修正であり,各試料に個別の重み付けを行う。 ABSGDは追加コストなしで他の堅牢な損失と組み合わせられるほど柔軟である。
  論文  参考訳（メタデータ） (2020-12-13T03:41:52Z)
• 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)

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。