Fugu-MT 論文翻訳(概要): SANGRIA: Stacked Autoencoder Neural Networks with Gradient Boosting for Indoor Localization

論文の概要: SANGRIA: Stacked Autoencoder Neural Networks with Gradient Boosting for Indoor Localization

arxiv url: http://arxiv.org/abs/2403.01348v1
Date: Sun, 3 Mar 2024 00:01:29 GMT
ステータス: 処理完了
システム内更新日: 2024-03-05 14:10:02.486328
Title: SANGRIA: Stacked Autoencoder Neural Networks with Gradient Boosting for Indoor Localization
Title（参考訳）: SANGRIA: 屋内ローカライゼーションのためのグラディエントブースティングを備えたスタック型オートエンコーダニューラルネットワーク
Authors: Danish Gufran, Saideep Tiku, Sudeep Pasricha
Abstract要約: 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。
参考スコア（独自算出の注目度）: 3.3379026542599934
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Indoor localization is a critical task in many embedded applications, such as asset tracking, emergency response, and realtime navigation. In this article, we propose a novel fingerprintingbased framework for indoor localization called SANGRIA that uses stacked autoencoder neural networks with gradient boosted trees. Our approach is designed to overcome the device heterogeneity challenge that can create uncertainty in wireless signal measurements across embedded devices used for localization. We compare SANGRIA to several state-of-the-art frameworks and demonstrate 42.96% lower average localization error across diverse indoor locales and heterogeneous devices.
Abstract（参考訳）: 屋内ローカライゼーションは、アセットトラッキング、緊急応答、リアルタイムナビゲーションなど、多くの組み込みアプリケーションにおいて重要なタスクである。本稿では,グラデーションブーストツリーを用いたスタック型自動エンコーダニューラルネットワークを用いた,屋内ローカライズのための新しいフィンガープリントベースフレームワークsangriaを提案する。当社のアプローチは,無線信号計測における不確実性を,ローカライゼーションに使用する組込みデバイス間で克服するものである。 SANGRIAをいくつかの最先端フレームワークと比較し、様々な屋内ローカライズおよび異種デバイスにおける平均ローカライズ誤差を42.96%低減した。

関連論文リスト

SENTINEL: Securing Indoor Localization against Adversarial Attacks with Capsule Neural Networks [2.7186493234782527]
SENTINELは、屋内のローカライゼーションソリューションの敵攻撃に対するレジリエンスを高めるための、新しい組込み機械学習フレームワークである。 RSSRogueLocも導入しています。これは実世界の屋内環境からローグAPの効果を計測するデータセットです。
論文参考訳（メタデータ） (2024-07-14T21:40:12Z)
From NeurODEs to AutoencODEs: a mean-field control framework for width-varying Neural Networks [68.8204255655161]
本稿では,動的に駆動する制御フィールドをベースとした,AutoencODEと呼ばれる新しいタイプの連続時間制御システムを提案する。損失関数が局所凸な領域では,多くのアーキテクチャが復元可能であることを示す。
論文参考訳（メタデータ） (2023-07-05T13:26:17Z)
UnLoc: A Universal Localization Method for Autonomous Vehicles using LiDAR, Radar and/or Camera Input [51.150605800173366]
UnLocは、全ての気象条件におけるマルチセンサー入力によるローカライズのための、新しい統一型ニューラルネットワークアプローチである。本手法は,Oxford Radar RobotCar,Apollo SouthBay,Perth-WAの各データセットで広く評価されている。
論文参考訳（メタデータ） (2023-07-03T04:10:55Z)
A New Paradigm for Device-free Indoor Localization: Deep Learning with Error Vector Spectrum in Wi-Fi Systems [7.010598383249521]
本稿では,デバイスレス屋内ローカライゼーションのための新しい誤りベクトル支援学習手法を提案する。提案手法はディープニューラルネットワークを用いて屋内環境における人物の位置を分類する。実験の結果,提案手法は従来の機械学習手法よりも優れていることがわかった。
論文参考訳（メタデータ） (2023-03-25T04:33:37Z)
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)
Siamese Neural Encoders for Long-Term Indoor Localization with Mobile Devices [5.063728016437489]
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、屋内ローカライズにおける人や資産の位置と追跡の強化のための新興アプリケーションドメインである。本稿では,その領域の最先端技術と比較して,局所化精度の低下を最大40%低減する,シームズ・ニューラルエンコーダベースのフレームワークを提案する。
論文参考訳（メタデータ） (2021-11-28T07:22:55Z)
CHISEL: Compression-Aware High-Accuracy Embedded Indoor Localization with Deep Learning [4.657486836910778]
WiFi指紋認証による屋内のローカライゼーションは、この需要を満たす最も有望な方法の1つだ。そこで我々は,CHISELと呼ばれる圧縮認識・高精度深層学習フレームワークを提案する。
論文参考訳（メタデータ） (2021-07-02T17:00:01Z)
PILOT: Introducing Transformers for Probabilistic Sound Event Localization [107.78964411642401]
本稿では,受信したマルチチャンネル音声信号の時間的依存性を自己アテンション機構によってキャプチャする,トランスフォーマーに基づく新しい音声イベント定位フレームワークを提案する。このフレームワークは, 公開されている3つの音声イベントローカライズデータセットを用いて評価し, 局所化誤差と事象検出精度の点で最先端の手法と比較した。
論文参考訳（メタデータ） (2021-06-07T18:29:19Z)
Unsupervised Metric Relocalization Using Transform Consistency Loss [66.19479868638925]
メートル法再ローカライズを行うためのトレーニングネットワークは、従来、正確な画像対応が必要である。地図内のクエリ画像のローカライズは、登録に使用される参照画像に関係なく、同じ絶対的なポーズを与えるべきである。提案手法は, 限られた地下構造情報が得られる場合に, 他の教師あり手法よりも優れていることを示す。
論文参考訳（メタデータ） (2020-11-01T19:24:27Z)
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)
Non-Local Part-Aware Point Cloud Denoising [55.50360085086123]
本稿では,点群を識別する非局所部分認識ディープニューラルネットワークを提案する。グラフアテンションモジュールでカスタマイズした非局所学習ユニット(NLU)を設計し、非局所意味論的特徴を適応的にキャプチャする。雑音発生性能を向上させるため,ノイズ特性をノイズ入力から段階的に抽出するために,一連のNLUをカスケードする。
論文参考訳（メタデータ） (2020-03-14T13:51:50Z)

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。