論文の概要: Graph-Based Floor Separation Using Node Embeddings and Clustering of WiFi Trajectories

• arxiv url: http://arxiv.org/abs/2505.08088v1
• Date: Mon, 12 May 2025 21:46:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-14 20:57:54.346849
• Title: Graph-Based Floor Separation Using Node Embeddings and Clustering of WiFi Trajectories
• Title（参考訳）: ノード埋め込みとWiFiトラクトリのクラスタリングによるグラフベースの床分離
• Authors: Rabia Yasa Kostas, Kahraman Kostas,
• Abstract要約: 本研究では,Wi-Fi指紋トラジェクトリを用いた新しい床分離手法を提案する。 ノードがWi-Fi指紋を表すグラフを構築し、エッジは信号の類似性とコンテキスト遷移によって重み付けされる。 提案手法は,フロアレベルローカライゼーションのためのスケーラブルなソリューションを提供することにより,信号ノイズやアーキテクチャの複雑さに対するロバスト性を示す。
• 参考スコア（独自算出の注目度）: 1.1510009152620668
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Indoor positioning systems (IPSs) are increasingly vital for location-based services in complex multi-storey environments. This study proposes a novel graph-based approach for floor separation using Wi-Fi fingerprint trajectories, addressing the challenge of vertical localization in indoor settings. We construct a graph where nodes represent Wi-Fi fingerprints, and edges are weighted by signal similarity and contextual transitions. Node2Vec is employed to generate low-dimensional embeddings, which are subsequently clustered using K-means to identify distinct floors. Evaluated on the Huawei University Challenge 2021 dataset, our method outperforms traditional community detection algorithms, achieving an accuracy of 68.97%, an F1- score of 61.99%, and an Adjusted Rand Index of 57.19%. By publicly releasing the preprocessed dataset and implementation code, this work contributes to advancing research in indoor positioning. The proposed approach demonstrates robustness to signal noise and architectural complexities, offering a scalable solution for floor-level localization.
• Abstract（参考訳）: 屋内位置決めシステム(IPS)は、複雑なマルチストア環境において、位置情報ベースのサービスにとってますます重要になっている。 そこで本研究では,Wi-Fi指紋トラジェクトリを用いた新しい床分離手法を提案し,室内環境における垂直位置決めの課題に対処する。 ノードがWi-Fi指紋を表すグラフを構築し、エッジは信号の類似性とコンテキスト遷移によって重み付けされる。 Node2Vecは低次元の埋め込みを生成するために使われ、その後K-meansを使って異なるフロアを識別する。 Huawei University Challenge 2021データセットに基づいて評価し、従来のコミュニティ検出アルゴリズムを上回り、68.97%、F1スコア61.99%、調整ランダムインデックス57.19%の精度を達成した。 事前処理されたデータセットと実装コードを公開することにより、この研究は屋内位置決めの研究の進展に寄与する。 提案手法は,フロアレベルローカライゼーションのためのスケーラブルなソリューションを提供することにより,信号ノイズやアーキテクチャの複雑さに対するロバスト性を示す。

関連論文リスト

• Mean Teacher based SSL Framework for Indoor Localization Using Wi-Fi RSSI Fingerprinting [4.147346416230272]
  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。
  論文  参考訳（メタデータ） (2024-07-18T09:07:20Z)
• Pose-Graph Attentional Graph Neural Network for Lidar Place Recognition [16.391871270609055]
  本稿では,P-GATと呼ばれるポーズグラフ注目グラフニューラルネットワークを提案する。 位置認識タスクのシーケンシャルと非シーケンシャルなサブグラフのキーノードを比較する。 P-GATは、近隣の雲記述子間の最大空間情報と時間情報を使用する。
  論文  参考訳（メタデータ） (2023-08-31T23:17:44Z)
• Point-SLAM: Dense Neural Point Cloud-based SLAM [61.96492935210654]
  本稿では,モノクラーRGBD入力に対する高密度ニューラルネットワークの局所化とマッピング(SLAM)手法を提案する。 トラッキングとマッピングの両方が、同じポイントベースのニューラルシーン表現で実行可能であることを実証する。
  論文  参考訳（メタデータ） (2023-04-09T16:48:26Z)
• EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
  埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。 EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。 提案手法はいくつかの最先端手法より一貫して優れている。
  論文  参考訳（メタデータ） (2022-11-19T09:08:43Z)
• 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)
• Rethinking Counting and Localization in Crowds:A Purely Point-Based Framework [59.578339075658995]
  そこで本稿では,共同クラウドカウントと個別ローカライゼーションのための純粋にポイントベースのフレームワークを提案する。 我々は、P2PNet(Point to Point Network)と呼ばれる、このフレームワークの下で直感的なソリューションを設計する。
  論文  参考訳（メタデータ） (2021-07-27T11:41:50Z)
• Learning Spatial Context with Graph Neural Network for Multi-Person Pose Grouping [71.59494156155309]
  イメージベース多人数ポーズ推定のためのボトムアップ手法は,キーポイント検出とグループ化の2段階からなる。 本研究では,グラフ分割問題としてグループ化タスクを定式化し,グラフニューラルネットワーク(gnn)を用いて親和性行列を学習する。 学習された幾何学に基づく親和性は、強固なキーポイント結合を達成するために外観に基づく親和性とさらに融合する。
  論文  参考訳（メタデータ） (2021-04-06T09:21:14Z)
• 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)
• Graph-PCNN: Two Stage Human Pose Estimation with Graph Pose Refinement [54.29252286561449]
  グラフPCNNと呼ばれる2段階のグラフベースおよびモデルに依存しないフレームワークを提案する。 第1段階では、粗局化結果を得るために熱マップ回帰ネットワークを適用し、ガイドポイントと呼ばれる一連の提案キーポイントをサンプリングする。 第2段階では、各案内点について、ローカライゼーションにより異なる視覚特徴を抽出する。 ガイドされた点間の関係は、より正確なローカライゼーション結果を得るためにグラフポーズ精製モジュールによって探索される。
  論文  参考訳（メタデータ） (2020-07-21T04:59:15Z)

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。