論文の概要: Robust Indoor Localization in Dynamic Environments: A Multi-source Unsupervised Domain Adaptation Framework
- arxiv url: http://arxiv.org/abs/2502.07246v1
- Date: Tue, 11 Feb 2025 04:29:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-12 14:06:34.925545
- Title: Robust Indoor Localization in Dynamic Environments: A Multi-source Unsupervised Domain Adaptation Framework
- Title(参考訳): 動的環境におけるロバストな屋内ローカライゼーション:マルチソースな教師なしドメイン適応フレームワーク
- Authors: Jiyu Jiao, Xiaojun Wang, Chengpei Han,
- Abstract要約: DF-Locはマルチソース非教師付きドメイン適応(MUDA)に基づくエンドツーエンド動的指紋位置決めシステムである
このシステムは、CSIデータ前処理のための品質制御(QC)モジュールを搭載し、CSI指紋特徴再構成のための画像処理技術を採用している。
オフィスおよび教室環境における大規模実験により,DF-Locは,局部化精度とロバスト性の両方の観点から比較手法に優れていた。
- 参考スコア(独自算出の注目度): 0.4683612295430956
- License:
- Abstract: Fingerprint localization has gained significant attention due to its cost-effective deployment, low complexity, and high efficacy. However, traditional methods, while effective for static data, often struggle in dynamic environments where data distributions and feature spaces evolve-a common occurrence in real-world scenarios. To address the challenges of robustness and adaptability in fingerprint localization for dynamic indoor environments, this paper proposes DF-Loc, an end-to-end dynamic fingerprint localization system based on multi-source unsupervised domain adaptation (MUDA). DF-Loc leverages historical data from multiple time scales to facilitate knowledge transfer in specific feature spaces, thereby enhancing generalization capabilities in the target domain and reducing reliance on labeled data. Specifically, the system incorporates a Quality Control (QC) module for CSI data preprocessing and employs image processing techniques for CSI fingerprint feature reconstruction. Additionally, a multi-scale attention-based feature fusion backbone network is designed to extract multi-level transferable fingerprint features. Finally, a dual-stage alignment model aligns the distributions of multiple source-target domain pairs, improving regression characteristics in the target domain. Extensive experiments conducted in office and classroom environments demonstrate that DF-Loc outperforms comparative methods in terms of both localization accuracy and robustness. With 60% of reference points used for training, DF-Loc achieves average localization errors of 0.79m and 3.72m in "same-test" scenarios, and 0.94m and 4.39m in "different-test" scenarios, respectively. This work pioneers an end-to-end multi-source transfer learning approach for fingerprint localization, providing valuable insights for future research in dynamic environments.
- Abstract(参考訳): フィンガープリントのローカライゼーションは、コスト効率のよい展開、低い複雑さ、高い有効性のために大きな注目を集めている。
しかし、従来の手法は静的なデータに対して有効であるが、データ分散と特徴空間が進化する動的な環境においてしばしば苦労する。
動的屋内環境における指紋ローカライゼーションにおけるロバスト性や適応性の課題を解決するため,マルチソース非教師付きドメイン適応(MUDA)に基づくエンドツーエンド動的指紋ローカライゼーションシステムDF-Locを提案する。
DF-Locは、複数の時間スケールの履歴データを活用して、特定の特徴空間における知識伝達を容易にし、ターゲット領域における一般化能力を向上し、ラベル付きデータへの依存を減らす。
具体的には、CSIデータ前処理のための品質制御(QC)モジュールを内蔵し、CSI指紋特徴再構成のための画像処理技術を用いる。
さらに,マルチレベルの移動可能な指紋の特徴を抽出するために,マルチスケールアテンションベース機能融合バックボーンネットワークを設計した。
最後に、二重ステージアライメントモデルにより、複数のソースターゲットドメインペアの分布を整列し、ターゲットドメインの回帰特性を改善する。
オフィスおよび教室環境における大規模実験により,DF-Locは,局部化精度とロバスト性の両方の観点から比較手法に優れていた。
DF-Locの基準点の60%は「サメテスト」シナリオでは0.79mと3.72mで、それぞれ「差分テスト」シナリオでは0.94mと4.39mである。
この研究は指紋ローカライゼーションのためのエンド・ツー・エンドのマルチソース・トランスファー・ラーニング・アプローチの先駆者であり、動的環境における将来の研究に有用な洞察を提供する。
関連論文リスト
- Exploiting Aggregation and Segregation of Representations for Domain Adaptive Human Pose Estimation [50.31351006532924]
人間のポーズ推定(HPE)は最近、モーション分析、バーチャルリアリティー、ヘルスケア等に広く応用されているため、注目を集めている。
時間と労働集約的なアノテーションのために、ラベル付き現実世界のデータセットが不足している。
本稿では,ドメイン適応型人間のポーズ推定のための表現集約と分離を両立させる新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2024-12-29T17:59:45Z) - M3BAT: Unsupervised Domain Adaptation for Multimodal Mobile Sensing with Multi-Branch Adversarial Training [5.128670847334003]
マルチモーダルモバイルセンシングは、健康、健康、行動、文脈に関する推論に広く用いられている。
トレーニングセット内のデータの分布は、実世界のデータの分布、デプロイメント環境と異なる。
M3BATは,マルチブランチ対向学習を用いたマルチモーダル・モバイルセンシングのための教師なしドメイン適応である。
論文 参考訳(メタデータ) (2024-04-26T13:09:35Z) - A Variational Auto-Encoder Enabled Multi-Band Channel Prediction Scheme
for Indoor Localization [11.222977249913411]
周波数領域から室内指紋位置決めの精度を向上する手法を提案する。
オフィスシナリオから収集したCOST 2100シミュレーションデータと実時間周波数分割多重化(OFDM)WiFiデータに基づいて提案手法を検証した。
論文 参考訳(メタデータ) (2023-09-19T08:19:34Z) - Consistency Regularization for Generalizable Source-free Domain
Adaptation [62.654883736925456]
ソースフリードメイン適応(source-free domain adapt, SFDA)は、ソースデータセットにアクセスすることなく、十分にトレーニングされたソースモデルを未学習のターゲットドメインに適応することを目的としている。
既存のSFDAメソッドは、ターゲットのトレーニングセット上で適用されたモデルを評価し、目に見えないが同一の分散テストセットからデータを無視する。
より一般化可能なSFDA法を開発するための整合正則化フレームワークを提案する。
論文 参考訳(メタデータ) (2023-08-03T07:45:53Z) - 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) - Divide and Contrast: Source-free Domain Adaptation via Adaptive
Contrastive Learning [122.62311703151215]
Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。
DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。
さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
論文 参考訳(メタデータ) (2022-11-12T09:21:49Z) - Learning to Continuously Optimize Wireless Resource in a Dynamic
Environment: A Bilevel Optimization Perspective [52.497514255040514]
この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。
学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。
我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
論文 参考訳(メタデータ) (2021-05-03T07:23:39Z) - DyLoc: Dynamic Localization for Massive MIMO Using Predictive Recurrent
Neural Networks [5.690548525055658]
本稿では,時間変動の複雑なマルチパス環境において高精度なデータ駆動型ローカリゼーションフレームワークを提案する。
データ駆動型フレームワークDyLocについて,前景変化による歪んだADPを復元し,正確な位置推定を行う。
我々は,従来のDCNN技術が動的環境において望ましい精度で動作しないことを示す。
論文 参考訳(メタデータ) (2021-01-19T20:15:34Z) - DASGIL: Domain Adaptation for Semantic and Geometric-aware Image-based
Localization [27.294822556484345]
環境変化下での視覚的長期化は、自律走行と移動ロボット工学において難しい問題である。
視覚的位置認識のための多スケール潜在埋め込み表現に幾何学的および意味的情報を融合する新しいマルチタスクアーキテクチャを提案する。
論文 参考訳(メタデータ) (2020-10-01T17:44:25Z) - Hybrid Generative-Retrieval Transformers for Dialogue Domain Adaptation [77.62366712130196]
マルチドメイン MetaLWOz データセットに微調整した GPT-2 に基づくハイブリッド生成・検索モデル DSTC8 の高速領域適応タスクにおける入賞条件について述べる。
提案モデルでは,MetaLWOz上の解析論理をフォールバックとして使用し,人間の評価におけるSoTA(第2位システムよりも4%向上)と,未知のMultiWOZデータセットに適応した競合一般化性能を実現する。
論文 参考訳(メタデータ) (2020-03-03T18:07:42Z) - Unsupervised Domain Adaptation in Person re-ID via k-Reciprocal
Clustering and Large-Scale Heterogeneous Environment Synthesis [76.46004354572956]
個人再識別のための教師なし領域適応手法を提案する。
実験結果から,ktCUDA法とSHRED法は,再同定性能において,+5.7 mAPの平均的改善を実現することがわかった。
論文 参考訳(メタデータ) (2020-01-14T17:43:52Z)
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。