論文の概要: DeepCell: A Ubiquitous Accurate Provider-side Cellular-based Localization
- arxiv url: http://arxiv.org/abs/2407.16927v1
- Date: Wed, 24 Jul 2024 01:28:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-25 15:12:43.199927
- Title: DeepCell: A Ubiquitous Accurate Provider-side Cellular-based Localization
- Title（参考訳）: DeepCell: ユビキタスな正確なプロバイダサイドセルベースのローカライゼーション
- Authors: Ahmed Shokry, Moustafa Youssef,
- Abstract要約: DeepCell(ディープセル)は、携帯電話の指紋認証システムである。
一貫した中央値の精度は29mに達する。
この精度は最先端のクライアントベースシステムより75.4%以上優れている。
- 参考スコア（独自算出の注目度）: 4.962238993531738
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Although outdoor localization is already available to the general public and businesses through the wide spread use of the GPS, it is not supported by low-end phones, requires a direct line of sight to satellites and can drain phone battery quickly. The current fingerprinting solutions can provide high-accuracy localization but are based on the client side. This limits their ubiquitous deployment and accuracy. In this paper, we introduce DeepCell: a provider-side fingerprinting localization system that can provide high accuracy localization for any cell phone. To build its fingerprint, DeepCell leverages the unlabeled cellular measurements recorded by the cellular provider while opportunistically synchronizing with selected client devices to get location labels. The fingerprint is then used to train a deep neural network model that is harnessed for localization. To achieve this goal, DeepCell need to address a number of challenges including using unlabeled data from the provider side, handling noise and sparsity, scaling the data to large areas, and finally providing enough data that is required for training deep models without overhead. Evaluation of DeepCell in a typical realistic environment shows that it can achieve a consistent median accuracy of 29m. This accuracy outperforms the state-of-the-art client-based cellular-based systems by more than 75.4%. In addition, the same accuracy is extended to low-end phones.
- Abstract（参考訳）: 屋外のローカライゼーションは、GPSの普及によって既に一般市民や企業が利用できるが、ローエンドの電話ではサポートされていない。
現在のフィンガープリントソリューションは、高精度なローカライゼーションを提供するが、クライアント側に基づいている。
これにより、ユビキタスなデプロイメントと精度が制限される。
本稿では,どの携帯電話にも高精度な指紋位置決めシステムであるDeepCellを紹介する。
指紋を作成するためにDeepCellは、携帯電話プロバイダが記録した未ラベルの細胞計測を活用し、選択したクライアントデバイスと同期して位置ラベルを取得する。
次に指紋を使用して、ローカライゼーションに使用されるディープニューラルネットワークモデルをトレーニングする。
この目標を達成するためにDeepCellは、プロバイダ側からのラベルなしデータの使用、ノイズとスパーシリティの処理、大規模な領域へのデータのスケーリング、さらにはオーバーヘッドのないディープモデルのトレーニングに必要な十分なデータの提供など、さまざまな課題に対処する必要がある。
典型的な現実的な環境でのDeepCellの評価は、一貫した中央値の精度が29mに達することを示している。
この精度は、最先端のクライアントベースのセルベースシステムより75.4%以上優れている。
さらに、同じ精度をローエンドの電話にも拡張する。
関連論文リスト
- A Method of Data Augmentation to Train a Small Area Fingerprint
Recognition Deep Neural Network with a Normal Fingerprint Database [0.0]
本研究では, 指紋データベースを用いた小面積指紋認識深層ニューラルネットワークの訓練のためのデータ拡張手法を提案する。
実験の結果,本手法の有効性が示された。
論文 参考訳（メタデータ） (2022-03-23T07:29:39Z) - LocUNet: Fast Urban Positioning Using Radio Maps and Deep Learning [59.17191114000146]
LocUNet: 基地局(BSs)からの受信信号強度(RSS)のみに基づく深層学習手法
提案手法では,BSsからのRSSを,クラウド上に存在する可能性のある中央処理ユニット(CPU)にローカライズする。
推定されたBSのパスロスラジオマップを用いて、LocUNetは最先端の精度でユーザをローカライズし、無線マップの不正確性に対して高い堅牢性を享受する。
論文 参考訳（メタデータ） (2022-02-01T20:27:46Z) - The Tale of Two Localization Technologies: Enabling Accurate
Low-Overhead WiFi-based Localization for Low-end Phones [5.198840934055703]
WiFiフィンガープリントは、屋内ローカライゼーションの主流技術の一つである。
提案するHybridLocは, 高精度な低頭位屋内位置決めシステムである。
HybridLocは、ハイエンドのスマートフォンのセンサーを活用して、ローエンドのスマートフォンのローカライズを可能にする。
論文 参考訳（メタデータ） (2021-06-25T14:31:26Z) - DeepLoc: A Ubiquitous Accurate and Low-Overhead Outdoor Cellular
Localization System [6.780776591991887]
DeepLocはディープラーニングベースの屋外ローカライゼーションシステムである。
DeepLocは、都市部では18.8m、農村部では15.7mで、中央値のローカライゼーション精度を達成できる。
この精度は、最先端のセルベースシステムよりも470%以上優れており、GPSと比較して330%の省電力が可能である。
論文 参考訳（メタデータ） (2021-06-25T13:34:40Z) - Real-time Outdoor Localization Using Radio Maps: A Deep Learning
Approach [59.17191114000146]
LocUNet: ローカライゼーションタスクのための畳み込み、エンドツーエンドのトレーニングニューラルネットワーク(NN)。
我々は,LocUNetがユーザを最先端の精度でローカライズし,無線マップ推定における不正確性が高いことを示す。
論文 参考訳（メタデータ） (2021-06-23T17:27:04Z) - FGLP: A Federated Fine-Grained Location Prediction System for Mobile
Users [9.115223397085256]
スマートフォン上での詳細な位置予測は、アプリ/システムのパフォーマンスを改善するために使用することができる。
携帯電話で収集したGPSトレースに基づいて,詳細な位置予測を行うシステムを提案する。
論文 参考訳（メタデータ） (2021-06-13T02:09:29Z) - ProxyFAUG: Proximity-based Fingerprint Augmentation [81.15016852963676]
ProxyFAUGはルールベースで近接性に基づく指紋増強法である。
このデータセット上で最高のパフォーマンスの測位法は、中央値エラーで40%改善され、平均誤差で6%向上した。
論文 参考訳（メタデータ） (2021-02-04T15:59:30Z) - EdgeLoc: An Edge-IoT Framework for Robust Indoor Localization Using
Capsule Networks [3.659977669398194]
カプセルネットワークを用いた効率的で堅牢な屋内ローカライズのためのエッジIoTフレームワークであるEdgeLocを提案する。
WiFi指紋データから階層情報を効率的に抽出する深層学習モデルをCapsNetで開発する。
我々は,33,600点以上のデータポイントを用いて実世界のフィールド実験を行い,オープンデータセットを用いた広範囲な合成実験を行った。
論文 参考訳（メタデータ） (2020-09-12T12:38:47Z) - 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) - Variable Skipping for Autoregressive Range Density Estimation [84.60428050170687]
深部自己回帰モデルを用いた距離密度推定を高速化する手法である可変スキップについて述べる。
可変スキップは、10-100$timesの効率向上をもたらすことを示す。
論文 参考訳（メタデータ） (2020-07-10T19:01:40Z) - Real-time Localization Using Radio Maps [59.17191114000146]
パスロスに基づく簡易かつ効果的なローカライゼーション法を提案する。
提案手法では, 受信した信号強度を, 既知の位置を持つ基地局の集合から報告する。
論文 参考訳（メタデータ） (2020-06-09T16:51:17Z)
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。