論文の概要: Learning-Based WiFi Fingerprint Inpainting via Generative Adversarial Networks
- arxiv url: http://arxiv.org/abs/2407.18915v1
- Date: Tue, 4 Jun 2024 01:51:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-05 01:25:56.722491
- Title: Learning-Based WiFi Fingerprint Inpainting via Generative Adversarial Networks
- Title（参考訳）: 学習型Wi-Fiフィンガープリントインペインティング
- Authors: Yu Chan, Pin-Yu Lin, Yu-Yun Tseng, Jen-Jee Chen, Yu-Chee Tseng,
- Abstract要約: 本稿では,AP間相関とAP内相関を捉えることを目的とした,新規な合成インパインティングモデルを提案する。
評価結果の質を高めるために,特殊設計の対向判別器を組み込んだ。
- 参考スコア（独自算出の注目度）: 6.0409511464159635
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: WiFi-based indoor positioning has been extensively studied. A fundamental issue in such solutions is the collection of WiFi fingerprints. However, due to real-world constraints, collecting complete fingerprints at all intended locations is sometimes prohibited. This work considers the WiFi fingerprint inpainting problem. This problem differs from typical image/video inpainting problems in several aspects. Unlike RGB images, WiFi field maps come in any shape, and signal data may follow certain distributions. Therefore, it is difficult to forcefully fit them into a fixed-dimensional matrix, as done with processing images in RGB format. As soon as a map is changed, it also becomes difficult to adapt it to the same model due to scale issues. Furthermore, such models are significantly constrained in situations requiring outward inpainting. Fortunately, the spatial relationships of WiFi signals and the rich information provided among channels offer ample opportunities for this generative model to accomplish inpainting. Therefore, we designed this model to not only retain the characteristic of regression models in generating fingerprints of arbitrary shapes but also to accommodate the observational outcomes from densely deployed APs. This work makes two major contributions. Firstly, we delineate the distinctions between this problem and image inpainting, highlighting potential avenues for research. Secondly, we introduce novel generative inpainting models aimed at capturing both inter-AP and intra-AP correlations while preserving latent information. Additionally, we incorporate a specially designed adversarial discriminator to enhance the quality of inpainting outcomes.
- Abstract（参考訳）: WiFiによる屋内位置決めは広く研究されている。
このようなソリューションの根本的な問題は、WiFi指紋の収集である。
しかし、現実世界の制約により、あらゆる所で完全な指紋の収集は禁止されることがある。
本研究はWiFi指紋の塗布問題について考察する。
この問題は、いくつかの面で典型的な画像/ビデオの塗装問題とは異なる。
RGB画像とは異なり、WiFiフィールドマップは任意の形状になり、信号データは特定の分布に従う可能性がある。
したがって、RGBフォーマットでの画像処理のように、それらを固定次元行列に強制的に適合させることは困難である。
マップが変更されるとすぐに、スケールの問題のために同じモデルに適応することが難しくなります。
さらに、このようなモデルは外向きの塗装を必要とする状況では著しく制約される。
幸いなことに、WiFi信号とチャネル間で提供される豊富な情報との空間的関係は、この生成モデルが塗装を行うための十分な機会を提供する。
そこで我々は, 任意の形状の指紋を生成する際に, 回帰モデルの特徴を保持するだけでなく, 密着したAPの観察結果に対応するように設計した。
この作品は2つの大きな貢献をしている。
まず、この問題と画像の塗り絵の区別を明確にし、研究の潜在的な道のりを浮き彫りにする。
第2に,潜伏情報を保持しつつ,AP間相関とAP内相関を捉えることを目的とした,新規なインパインティングモデルを提案する。
さらに,評価結果の質を高めるために,特別に設計された対数判別器を組み込んだ。
関連論文リスト
- MVIP-NeRF: Multi-view 3D Inpainting on NeRF Scenes via Diffusion Prior [65.05773512126089]
露光RGBと深度2Dの塗布監督を基盤としたNeRF塗布法は,その基礎となる2D塗布能力によって本質的に制限されている。
我々は,NeRF塗装における拡散先行の可能性を生かし,外観面と幾何学面の両方に対処するMVIP-NeRFを提案する。
実験の結果,従来のNeRF塗装法よりも外観や形状の回復性が良好であった。
論文 参考訳（メタデータ） (2024-05-05T09:04:42Z) - GeoPos: A Minimal Positional Encoding for Enhanced Fine-Grained Details in Image Synthesis Using Convolutional Neural Networks [0.0]
複雑な幾何学的特徴を再現する画像生成モデルの永続的不備は、ほぼ10年間にわたって進行中の問題であった。
本稿では,この問題を幾何的能力の畳み込み層を拡大することにより緩和する方法について述べる。
本研究では,拡散モデル,GAN,変分オートエンコーダ(VAE)によって生成された画像の品質を大幅に向上させることを示す。
論文 参考訳（メタデータ） (2024-01-03T19:27:20Z) - The Change You Want to See (Now in 3D) [65.61789642291636]
本稿の目的は、同じ3Dシーンの2つの「野生」画像の間で何が変わったかを検出することである。
我々は,全合成データに基づいて学習し,クラスに依存しない変化検出モデルに貢献する。
我々は,人間に注釈を付けた実世界のイメージペアによる評価データセットを新たにリリースした。
論文 参考訳（メタデータ） (2023-08-21T01:59:45Z) - T-former: An Efficient Transformer for Image Inpainting [50.43302925662507]
トランスフォーマーと呼ばれる注目に基づくネットワークアーキテクチャのクラスは、自然言語処理の分野で大きなパフォーマンスを示している。
本稿では,Taylorの展開に応じて,解像度に線形に関連付けられた新たな注意を設計し,この注意に基づいて,画像インペイントのためのネットワークである$T$-formerを設計する。
いくつかのベンチマークデータセットの実験により,提案手法は比較的少ないパラメータ数と計算複雑性を維持しつつ,最先端の精度を達成できることが示されている。
論文 参考訳（メタデータ） (2023-05-12T04:10:42Z) - Comparative analysis of segmentation and generative models for
fingerprint retrieval task [0.0]
指紋は、指が汚れたり、濡れたり、怪我したり、センサーが故障したりすると、品質が低下する。
本稿では,ジェネレーティブ(GAN)とモデルを用いた深層学習手法を提案する。
本研究は, GANネットワークよりも, u-net モデルの方が優れた性能を示した。
論文 参考訳（メタデータ） (2022-09-13T17:21:14Z) - High-Fidelity Image Inpainting with GAN Inversion [23.49170140410603]
本稿では,InvertFillと呼ばれる画像インペイントのための新しいGANインバージョンモデルを提案する。
エンコーダ内では、事前変調ネットワークがマルチスケール構造を利用して、より差別的なセマンティクスをスタイルベクトルにエンコードする。
忠実でフォトリアリスティックなイメージを再構築するために、シンプルだが効果的なSoft-update Mean Latentモジュールは、大規模な腐敗のために高忠実なテクスチャを合成する、より多様なドメイン内パターンをキャプチャするように設計されている。
論文 参考訳（メタデータ） (2022-08-25T03:39:24Z) - FBI: Fingerprinting models with Benign Inputs [17.323638042215013]
本稿では,モデルファミリとその変種の概念を一般化することにより,モデルの大幅な修正に耐性のある指紋認証方式を提案する。
我々は、修正されていない画像である良性入力が、両方のタスクに十分な材料であることを実証することによって、両方の目標を達成する。
どちらのアプローチも、かつてない1000以上のネットワークに対して実験的に検証されている。
論文 参考訳（メタデータ） (2022-08-05T13:55:36Z) - Learning Prior Feature and Attention Enhanced Image Inpainting [63.21231753407192]
本稿では,事前学習に基づくMasked AutoEncoder(MAE)を塗装モデルに組み込む。
マスク付き領域とマスキングされていない領域間の長距離依存性をより学習させるために,MAE の注意点を用いた手法を提案する。
論文 参考訳（メタデータ） (2022-08-03T04:32:53Z) - Image Inpainting Using Wasserstein Generative Adversarial Imputation
Network [0.0]
本稿では,Wasserstein Generative Adversarial Imputation Networkに基づく画像インペイントモデルを提案する。
普遍計算モデルは、十分な品質で欠落の様々なシナリオを扱うことができる。
論文 参考訳（メタデータ） (2021-06-23T05:55:07Z) - Deep Bingham Networks: Dealing with Uncertainty and Ambiguity in Pose
Estimation [74.76155168705975]
Deep Bingham Networks (DBN)は、3Dデータに関するほぼすべての実生活アプリケーションで発生するポーズ関連の不確実性と曖昧性を扱うことができる。
DBNは、(i)異なる分布モードを生成できる多仮説予測ヘッドにより、アートダイレクトポーズ回帰ネットワークの状態を拡張する。
トレーニング中のモードや後方崩壊を回避し,数値安定性を向上させるための新しいトレーニング戦略を提案する。
論文 参考訳（メタデータ） (2020-12-20T19:20:26Z) - Free-Form Image Inpainting via Contrastive Attention Network [64.05544199212831]
画像の塗装作業では、複雑なパターンを形成する画像のどこにでも、どんな形でもマスクが現れる。
エンコーダはこの複雑な状況下でこのような強力な表現を捕捉することは困難である。
本稿では,ロバスト性と一般化性を改善するための自己教師型シームズ推論ネットワークを提案する。
論文 参考訳（メタデータ） (2020-10-29T14:46:05Z)
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。