論文の概要: Mean Teacher based SSL Framework for Indoor Localization Using Wi-Fi RSSI Fingerprinting
- arxiv url: http://arxiv.org/abs/2407.13303v1
- Date: Thu, 18 Jul 2024 09:07:20 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-19 16:12:25.881445
- Title: Mean Teacher based SSL Framework for Indoor Localization Using Wi-Fi RSSI Fingerprinting
- Title（参考訳）: Wi-Fi RSSI フィンガープリントを用いた屋内ローカライズのための平均教師型SSLフレームワーク
- Authors: Sihao Li, Zhe Tang, Kyeong Soo Kim, Jeremy S. Smith,
- Abstract要約: Wi-Fiフィンガープリントは、Wi-Fiデバイスの普及により、屋内のローカライズに広く応用されている。
従来の手法はスケーラビリティの問題のため、マルチビルドやマルチフロア環境には適していない。
本稿では,無線アクセスポイント選択,ノイズ注入,平均教師モデルに基づくニューラルネットワークのための新しい半教師付き学習フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 4.147346416230272
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Wi-Fi fingerprinting is widely applied for indoor localization due to the widespread availability of Wi-Fi devices. However, traditional methods are not ideal for multi-building and multi-floor environments due to the scalability issues. Therefore, more and more researchers have employed deep learning techniques to enable scalable indoor localization. This paper introduces a novel semi-supervised learning framework for neural networks based on wireless access point selection, noise injection, and Mean Teacher model, which leverages unlabeled fingerprints to enhance localization performance. The proposed framework can manage hybrid in/outsourcing and voluntarily contributed databases and continually expand the fingerprint database with newly submitted unlabeled fingerprints during service. The viability of the proposed framework was examined using two established deep-learning models with the UJIIndoorLoc database. The experimental results suggest that the proposed framework significantly improves localization performance compared to the supervised learning-based approach in terms of floor-level coordinate estimation using EvAAL metric. It shows enhancements up to 10.99% and 8.98% in the former scenario and 4.25% and 9.35% in the latter, respectively with additional studies highlight the importance of the essential components of the proposed framework.
- Abstract（参考訳）: Wi-Fiフィンガープリントは、Wi-Fiデバイスの普及により、屋内のローカライズに広く応用されている。
しかし,従来の手法はスケーラビリティの問題から,マルチビルド環境やマルチフロア環境には適していない。
そのため、ますます多くの研究者が、スケーラブルな屋内ローカライゼーションを実現するためにディープラーニング技術を採用している。
本稿では, 無線アクセスポイント選択, ノイズ注入, 平均教師モデルに基づくニューラルネットワークの半教師付き学習フレームワークを提案する。
提案するフレームワークは,ハイブリッドイン/アウトソーシングおよび自発的に提供されたデータベースを管理し,サービス中に新たに提出された未ラベルの指紋で指紋データベースを継続的に拡張することができる。
UJIIndoorLocデータベースを用いた2つの定型ディープラーニングモデルを用いて,提案手法の有効性を検討した。
実験結果から,提案手法は,EvAAL測定値を用いたフロアレベル座標推定において,教師付き学習手法と比較して,局所化性能を著しく向上させることが示された。
前者のシナリオでは10.99%、前者のシナリオでは8.98%、後者では4.25%、後者では9.35%まで向上している。
関連論文リスト
- Optimization Efficient Open-World Visual Region Recognition [55.76437190434433]
RegionSpotは、ローカライゼーション基盤モデルから位置認識ローカライゼーション知識と、ViLモデルからのセマンティック情報を統合する。
オープンワールドオブジェクト認識の実験では、私たちのRereaSpotは、以前の代替よりも大きなパフォーマンス向上を実現しています。
論文 参考訳（メタデータ） (2023-11-02T16:31:49Z) - Federated Learning based Hierarchical 3D Indoor Localization [1.5469452301122177]
深層ニューラルネットワークを用いた階層型3次元屋内位置決めのためのフェデレートラーニング(FL)フレームワークを提案する。
階層型学習方式を採用することで、最大24.06%の局所化精度を向上させることができることを示す。
また、建物と床の予測精度は、それぞれ99.90%と94.87%である。
論文 参考訳（メタデータ） (2023-03-01T12:21:00Z) - FedDBL: Communication and Data Efficient Federated Deep-Broad Learning
for Histopathological Tissue Classification [65.7405397206767]
本稿では,FedDBL(Federated Deep-Broad Learning)を提案する。
FedDBLは1ラウンドの通信と限られたトレーニングサンプルで競合相手をはるかに上回り、マルチラウンドの通信で同等のパフォーマンスを達成している。
異なるクライアント間でのデータやディープモデルを共有しないため、プライバシ問題は十分に解決されており、モデルのセキュリティはモデル反転攻撃のリスクなしに保証される。
論文 参考訳（メタデータ） (2023-02-24T14:27:41Z) - AFR-Net: Attention-Driven Fingerprint Recognition Network [47.87570819350573]
指紋認識を含む生体認証における視覚変換器(ViT)の使用に関する初期研究を改善する。
ネットワーク内の中間特徴マップから抽出した局所的な埋め込みを用いて,グローバルな埋め込みを低確かさで洗練する手法を提案する。
この戦略は、既存のディープラーニングネットワーク(アテンションベース、CNNベース、あるいはその両方を含む)のラッパーとして適用することで、パフォーマンスを向上させることができる。
論文 参考訳（メタデータ） (2022-11-25T05:10:39Z) - On the Multidimensional Augmentation of Fingerprint Data for Indoor
Localization in A Large-Scale Building Complex Based on Multi-Output Gaussian
Process [3.8310036898137296]
Wi-Fiフィンガープリンティングは、大規模な屋内ローカライゼーションの主流のソリューションとなる。
位置化指紋の測定における基準点(RP)の数と分布は精度に大きな影響を及ぼす。
データ拡張は、RPの少ない数と不均一な分布を改善するための実現可能なソリューションとして提案されている。
論文 参考訳（メタデータ） (2022-11-19T10:07:17Z) - Spreading Factor assisted LoRa Localization with Deep Reinforcement
Learning [7.445987710491257]
LoRaネットワークでは、ネットワーク設定における拡散係数(SF)のため、従来のフィンガープリントは無線マップの表現力に欠ける可能性がある。
SFを考慮した新しいLoRa RSSIフィンガープリント手法を提案する。
論文 参考訳（メタデータ） (2022-05-23T16:17:34Z) - Domain Adversarial Graph Convolutional Network Based on RSSI and
Crowdsensing for Indoor Localization [8.406788215294483]
少数のラベル付きサイトサーベイデータと大量のラベル付きクラウドセンシングWiFi指紋を用いてトレーニングできる新しいWiDAGCNモデルを提案する。
本システムは、複数の建物を含む公共の屋内ローカライゼーションデータセットを用いて評価する。
論文 参考訳（メタデータ） (2022-04-06T08:06:27Z) - Hierarchical Multi-Building And Multi-Floor Indoor Localization Based On
Recurrent Neural Networks [2.0305676256390934]
Wi-Fiフィンガープリントを用いたリカレントニューラルネットワーク(RNN)に基づく階層型マルチビルディングとマルチフロア屋内ローカライゼーションを提案する。
提案手法は建物と床をそれぞれ100%と95.24%の精度で推定し、三次元位置決め誤差は8.62mである。
論文 参考訳（メタデータ） (2021-12-23T11:56:31Z) - Efficient Nearest Neighbor Language Models [114.40866461741795]
非パラメトリックニューラルネットワークモデル(NLM)は、外部データストアを用いてテキストの予測分布を学習する。
比較性能を維持しながら、推論速度の最大6倍の高速化を実現する方法を示す。
論文 参考訳（メタデータ） (2021-09-09T12:32:28Z) - Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。
また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
論文 参考訳（メタデータ） (2020-12-01T11:46:03Z) - 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)
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。