論文の概要: FIS-ONE: Floor Identification System with One Label for Crowdsourced RF Signals

• arxiv url: http://arxiv.org/abs/2307.05914v1
• Date: Wed, 12 Jul 2023 04:43:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-13 14:19:50.346867
• Title: FIS-ONE: Floor Identification System with One Label for Crowdsourced RF Signals
• Title（参考訳）: FIS-ONE:クラウドソーシングRF信号用1ラベル床同定システム
• Authors: Weipeng Zhuo, Ka Ho Chiu, Jierun Chen, Ziqi Zhao, S.-H. Gary Chan, Sangtae Ha, Chul-Ho Lee
• Abstract要約: FIS-ONEは、ラベル付きサンプルが1つしかない新しいフロア識別システムである。 まず、RF信号のサンプルをモデル化し、各ノードの潜在表現を得る。 そして、アクセスポイントからの信号が異なるフロアで検出可能であるという観察を活用することにより、クラスタを適切なフロアラベルでインデックス化する問題に取り組む。
• 参考スコア（独自算出の注目度）: 14.534245590261763
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Floor labels of crowdsourced RF signals are crucial for many smart-city applications, such as multi-floor indoor localization, geofencing, and robot surveillance. To build a prediction model to identify the floor number of a new RF signal upon its measurement, conventional approaches using the crowdsourced RF signals assume that at least few labeled signal samples are available on each floor. In this work, we push the envelope further and demonstrate that it is technically feasible to enable such floor identification with only one floor-labeled signal sample on the bottom floor while having the rest of signal samples unlabeled. We propose FIS-ONE, a novel floor identification system with only one labeled sample. FIS-ONE consists of two steps, namely signal clustering and cluster indexing. We first build a bipartite graph to model the RF signal samples and obtain a latent representation of each node (each signal sample) using our attention-based graph neural network model so that the RF signal samples can be clustered more accurately. Then, we tackle the problem of indexing the clusters with proper floor labels, by leveraging the observation that signals from an access point can be detected on different floors, i.e., signal spillover. Specifically, we formulate a cluster indexing problem as a combinatorial optimization problem and show that it is equivalent to solving a traveling salesman problem, whose (near-)optimal solution can be found efficiently. We have implemented FIS-ONE and validated its effectiveness on the Microsoft dataset and in three large shopping malls. Our results show that FIS-ONE outperforms other baseline algorithms significantly, with up to 23% improvement in adjusted rand index and 25% improvement in normalized mutual information using only one floor-labeled signal sample.
• Abstract（参考訳）: クラウドソースされたRF信号のフロアラベルは、マルチフロアの屋内ローカライゼーション、ジオフェンシング、ロボット監視など、多くのスマートシティアプリケーションにとって不可欠である。 その測定に基づいて新しいRF信号の床数を特定するための予測モデルを構築するため、クラウドソースされたRF信号を用いた従来の手法では、各フロアにラベル付き信号サンプルが少なくとも少ないと仮定している。 本研究は, 封筒をさらに推し進め, 底面に1つのフロアラベル信号サンプルのみで, 残りの信号サンプルをラベル付けすることなく, 床識別が可能であることを実証するものである。 FIS-ONEは1つのラベル付きサンプルしか持たない新しい床識別システムである。 FIS-ONEは信号クラスタリングとクラスタインデックスという2つのステップで構成される。 まず、RF信号サンプルをモデル化する二部グラフを構築し、注目グラフニューラルネットワークモデルを用いて各ノード(各信号サンプル)の潜在表現を求め、RF信号サンプルをより正確にクラスタ化できるようにする。 次に,アクセスポイントからの信号が異なるフロア,すなわち信号の流出を検知できるという観測結果を活用して,クラスタを適切なフロアラベルでインデックス化する問題に取り組む。 具体的には,クラスタインデックス化問題を組合せ最適化問題として定式化し,(近距離)最適解が効率的に見つかる旅行セールスマン問題と等価であることを示す。 我々はfis-oneを実装し,microsoft datasetと3つの大規模ショッピングモールで有効性を検証した。 その結果,fis-oneは他のベースラインアルゴリズムよりも大幅に優れており,調整ランド指数は最大23%向上し,正規化相互情報も25%向上した。

関連論文リスト

• Transportation mode recognition based on low-rate acceleration and location signals with an attention-based multiple-instance learning network [4.864246405617091]
  交通モード認識(TMR)はヒト活動認識(HAR)の重要な構成要素である そこで本研究では,2種類の信号を有効かつロバストな分類器に組み合わせる手法を提案する。 両信号のサンプリングレートが非常に低いので, 電池消費を抑えることができる。
  論文  参考訳（メタデータ） (2024-04-05T11:49:48Z)
• BLIS-Net: Classifying and Analyzing Signals on Graphs [20.345611294709244]
  グラフニューラルネットワーク(GNN)は、ノード分類やグラフ分類といったタスクのための強力なツールとして登場した。 我々は以前に導入された幾何散乱変換に基づいて構築された新しいGNNであるBLIS-Net(Bi-Lipschitz Scattering Net)を紹介する。 BLIS-Netは,交通流とfMRIデータに基づいて,合成データと実世界のデータの両方において優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2023-10-26T17:03:14Z)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• Unsupervised Visible-Infrared Person ReID by Collaborative Learning with Neighbor-Guided Label Refinement [53.044703127757295]
  教師なし学習 可視赤外人物再識別 (USL-VI-ReID) は、ラベルなしのクロスモダリティデータセットからモダリティ不変の特徴を学習することを目的としている。 本稿では,生成したラベルを1つのモダリティからそれに対応するモダリティに同時に割り当てる,Dual Optimal Transport Label Assignment (DOTLA) フレームワークを提案する。 提案したDOTLA機構は、相互強化と相互モダリティデータアソシエーションの効率的な解を定式化することにより、不十分でノイズの多いラベルアソシエーションの副作用を効果的に低減することができる。
  論文  参考訳（メタデータ） (2023-05-22T04:40:30Z)
• Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
  我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。 信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
  論文  参考訳（メタデータ） (2022-06-29T23:22:18Z)
• Unsupervised Person Re-Identification with Wireless Positioning under Weak Scene Labeling [131.18390399368997]
  本稿では、弱いシーンラベリングの下で、視覚データと無線位置決めトラジェクトリの両方を用いて、教師なしの人物再識別を探索することを提案する。 具体的には、視覚データと無線情報の相補性をモデル化した、新しい教師なしマルチモーダルトレーニングフレームワーク(UMTF)を提案する。 我々のUMTFには、MMDA(Multimodal Data Association Strategy)とMMGN(Multimodal Graph Neural Network)が含まれている。
  論文  参考訳（メタデータ） (2021-10-29T08:25:44Z)
• Convolutional Neural Networks for Sleep Stage Scoring on a Two-Channel EEG Signal [63.18666008322476]
  睡眠障害は、世界中の主要な病気の1つです。 専門家が使用する基本的なツールはPolysomnogramで、睡眠中に記録された様々な信号の集合である。 専門家は、標準的なガイドラインの1つに従って異なる信号を採点する必要があります。
  論文  参考訳（メタデータ） (2021-03-30T09:59:56Z)
• Dual-Refinement: Joint Label and Feature Refinement for Unsupervised Domain Adaptive Person Re-Identification [51.98150752331922]
  Unsupervised Domain Adaptive (UDA) Person Re-identification (再ID) は、ターゲットドメインデータのラベルが欠落しているため、難しい作業です。 オフラインクラスタリングフェーズにおける擬似ラベルとオンライントレーニングフェーズにおける特徴を共同で改良する,デュアルリファインメントと呼ばれる新しいアプローチを提案する。 本手法は最先端手法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2020-12-26T07:35:35Z)
• SE-ECGNet: A Multi-scale Deep Residual Network with Squeeze-and-Excitation Module for ECG Signal Classification [6.124438924401066]
  ECG信号分類タスクのためのマルチスケール深部残差ネットワークを開発しています。 我々は,マルチリード信号を2次元行列として扱うことを提案する。 提案モデルは,mit-bihデータセットでは99.2%,alibabaデータセットでは89.4%のf1-scoreを実現する。
  論文  参考訳（メタデータ） (2020-12-10T08:37:44Z)
• Deep learning for clustering of continuous gravitational wave candidates II: identification of low-SNR candidates [0.0]
  最初の論文では,大規模信号によるクラスタの正確な識別が可能なディープラーニングクラスタリングネットワークを実装した。 本稿では,多くの暗示信号によるクラスタ検出が可能なネットワークを実装した。 これら2つのネットワークは相補的であり、2つのネットワークのカスケードが幅広い信号強度にわたって優れた検出効率を達成することを示す。
  論文  参考訳（メタデータ） (2020-12-08T11:54:08Z)
• A Hierarchical Graph Signal Processing Approach to Inference from Spatiotemporal Signals [14.416786768268233]
  グラフ信号処理(GSP)の新興領域を動機として,信号から推論を行う新しい手法を提案する。 本稿では,階層的特徴抽出手法の開発に活用する。 Kアグル発作検出コンテストの頭蓋内脳波(iEEG)データセットについて検討した。
  論文  参考訳（メタデータ） (2020-10-25T17:08:13Z)

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。