論文の概要: Transfer Learning of RSSI to Improve Indoor Localisation Performance
- arxiv url: http://arxiv.org/abs/2412.09292v1
- Date: Thu, 12 Dec 2024 14:06:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-13 13:31:41.445668
- Title: Transfer Learning of RSSI to Improve Indoor Localisation Performance
- Title(参考訳): RSSIの移動学習による屋内位置推定性能の向上
- Authors: Thanaphon Suwannaphong, Ryan McConville, Ian Craddock,
- Abstract要約: コンガN(Congureal Generative Adversarial Networks)をベースとしたAugmentationとT-ConGAN(Transfer Learning framework)を提案する。
我々はまず,BLE RSSIデータを異なる家庭間で共有できること,および情報の共有が屋内のローカライゼーション性能を向上させることを実証した。
- 参考スコア(独自算出の注目度): 5.289887473031932
- License:
- Abstract: With the growing demand for health monitoring systems, in-home localisation is essential for tracking patient conditions. The unique spatial characteristics of each house required annotated data for Bluetooth Low Energy (BLE) Received Signal Strength Indicator (RSSI)-based monitoring system. However, collecting annotated training data is time-consuming, particularly for patients with limited health conditions. To address this, we propose Conditional Generative Adversarial Networks (ConGAN)-based augmentation, combined with our transfer learning framework (T-ConGAN), to enable the transfer of generic RSSI information between different homes, even when data is collected using different experimental protocols. This enhances the performance and scalability of such intelligent systems by reducing the need for annotation in each home. We are the first to demonstrate that BLE RSSI data can be shared across different homes, and that shared information can improve the indoor localisation performance. Our T-ConGAN enhances the macro F1 score of room-level indoor localisation by up to 12.2%, with a remarkable 51% improvement in challenging areas such as stairways or outside spaces. This state-of-the-art RSSI augmentation model significantly enhances the robustness of in-home health monitoring systems.
- Abstract(参考訳): 健康モニタリングシステムへの需要が高まる中、患者状況の追跡には家庭内局地化が不可欠である。
各住宅の独特な空間特性には,Bluetooth Low Energy (BLE) 受信信号強度指標 (RSSI) に基づくモニタリングシステムのための注釈データが必要であった。
しかし、特に健康状態の限られた患者では、注釈付きトレーニングデータを集めるのに時間がかかります。
そこで本研究では,ConGAN(Con Conditional Generative Adversarial Networks)をベースとしたAugmentationと転写学習フレームワーク(T-ConGAN)を組み合わせることで,異なる実験プロトコルを用いてデータを収集した場合でも,異なる家庭間でRSSI情報の転送を可能にする。
これにより、各家庭におけるアノテーションの必要性を減らすことにより、インテリジェントなシステムの性能とスケーラビリティが向上する。
我々はまず,BLE RSSIデータを異なる家庭間で共有できること,および情報の共有が屋内のローカライゼーション性能を向上させることを実証した。
我々のT-ConGANは、部屋レベルの屋内位置決めのマクロF1スコアを最大12.2%向上させ、階段や屋外空間などの挑戦的な領域で51%改善した。
この最先端のRSSI増強モデルは、家庭内健康モニタリングシステムの堅牢性を大幅に向上させる。
関連論文リスト
- QSCL-EWIL: Quantum Stochastic Contrast Learning for Enhanced WiFi-Based Indoor Localization [2.123582074184901]
WiFiベースの屋内ローカライゼーションは、資産追跡、医療監視、スマートな建物にとって不可欠である。
既存のシステムは、データのばらつき、環境騒音、床や建物のレベルを検出するのが難しいといった課題に直面している。
本稿では、厳密な理論的基礎に基づく新しいフレームワークである量子コントラスト学習(QSCL)を紹介する。
論文 参考訳(メタデータ) (2025-01-06T09:54:16Z) - Stability and Generalization for Distributed SGDA [70.97400503482353]
分散SGDAのための安定性に基づく一般化分析フレームワークを提案する。
我々は, 安定性の誤差, 一般化ギャップ, 人口リスクの包括的分析を行う。
理論的結果から,一般化ギャップと最適化誤差のトレードオフが明らかになった。
論文 参考訳(メタデータ) (2024-11-14T11:16:32Z) - Human Action Recognition (HAR) Using Skeleton-based Spatial Temporal Relative Transformer Network: ST-RTR [1.1474575075646143]
HAR(Human Action Recognition)は、高齢者や障害者の活動を監視するために用いられる。
ST-GCNの重要な特徴は、骨格配列から空間パターンと時間パターンを自動的に学習することである。
この問題に対処するため,時空間相対変換器ST-RTRモデルを開発した。
論文 参考訳(メタデータ) (2024-10-31T10:46:11Z) - Handling Geometric Domain Shifts in Semantic Segmentation of Surgical RGB and Hyperspectral Images [67.66644395272075]
本稿では,幾何学的アウト・オブ・ディストリビューションデータに直面する場合の,最先端のセマンティックセマンティックセマンティクスモデルの最初の解析を行う。
本稿では, 汎用性を高めるために, 有機移植(Organ Transplantation)と呼ばれる拡張技術を提案する。
我々の拡張技術は、RGBデータに対して最大67%、HSIデータに対して90%のSOAモデル性能を改善し、実際のOODテストデータに対して、分配内パフォーマンスのレベルでのパフォーマンスを達成する。
論文 参考訳(メタデータ) (2024-08-27T19:13:15Z) - ASPS: Augmented Segment Anything Model for Polyp Segmentation [77.25557224490075]
SAM(Segment Anything Model)は、ポリープセグメンテーションに先例のないポテンシャルを導入している。
SAMのTransformerベースの構造は、グローバルおよび低周波情報を優先する。
CFAはトレーニング可能なCNNエンコーダブランチと凍結したViTエンコーダを統合し、ドメイン固有の知識の統合を可能にする。
論文 参考訳(メタデータ) (2024-06-30T14:55:32Z) - Cloud-based Federated Learning Framework for MRI Segmentation [0.10878040851637999]
本稿では,農村医療施設における脳組織セグメンテーションに適した新しい枠組みを提案する。
このフレームワークは、田園部医療施設にローカルに展開する改良モデル(RM)と密接な強化学習環境を採用している。
我々は,限られたデータセットでネットワークをトレーニングし,大幅な性能向上を観察することで,本手法の有効性を実証する。
論文 参考訳(メタデータ) (2024-03-01T03:39:17Z) - Learning Federated Visual Prompt in Null Space for MRI Reconstruction [83.71117888610547]
我々はMRI再建のためのグローバルプロンプトのヌル空間におけるフェデレートされた視覚的プロンプトを学習するための新しいアルゴリズムであるFedPRを提案する。
FedPRは、ローカルトレーニングデータの限られた量を与えられた場合、通信コストの6%で最先端のFLアルゴリズムを著しく上回っている。
論文 参考訳(メタデータ) (2023-03-28T17:46:16Z) - Semantic segmentation of surgical hyperspectral images under geometric
domain shifts [69.91792194237212]
本稿では、幾何学的アウト・オブ・ディストリビューション(OOD)データの存在下で、最先端のセマンティックセグメンテーションネットワークを初めて分析する。
有機移植(Organ transplantation)と呼ばれる専用の拡張技術により、一般化可能性にも対処する。
提案手法は,SOA DSCの最大67 % (RGB) と90% (HSI) を改善し,実際のOODテストデータ上での分配内性能と同等の性能を示す。
論文 参考訳(メタデータ) (2023-03-20T09:50:07Z) - Transfer Learning on Heterogeneous Feature Spaces for Treatment Effects
Estimation [103.55894890759376]
本稿では,不均一な特徴空間を扱うために表現学習を利用するビルディングブロックを紹介する。
本稿では,これらのビルディングブロックを用いて,標準CATE学習者の伝達学習の等価性を回復する方法を示す。
論文 参考訳(メタデータ) (2022-10-08T16:41:02Z) - Multi-Output Gaussian Process-Based Data Augmentation for Multi-Building
and Multi-Floor Indoor Localization [3.8310036898137296]
RSSIに基づく位置情報のフィンガープリントは,新たなインフラの設置を必要としないという利点から,屋内のローカライズ技術として主流となる。
DNNのようなAI/ML技術を使用することで、位置フィンガープリントをより正確で信頼性の高いものにすることができる。
我々は,多出力ガウス過程(MOGP)に基づくRSSIデータ拡張の3つの異なる手法について検討した。
MOGPに基づくRSSIデータ拡張の可能性は、最先端のRNN屋内ローカライゼーションモデルとUJIに基づく実験によって実証される。
論文 参考訳(メタデータ) (2022-02-04T05:15:52Z) - Inferring proximity from Bluetooth Low Energy RSSI with Unscented Kalman
Smoothers [0.0]
本稿では, RSSI 値の任意の配列から後部確率を推定する手法を提案する。
この結果から,実世界のデータセット上での$mathcalO(n)$時間で良好なリスク予測が達成できることが示唆された。
論文 参考訳(メタデータ) (2020-07-09T20:47:02Z)
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。