論文の概要: Machine and Deep Learning for Indoor UWB Jammer Localization

• arxiv url: http://arxiv.org/abs/2511.01819v1
• Date: Mon, 03 Nov 2025 18:26:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:27.369432
• Title: Machine and Deep Learning for Indoor UWB Jammer Localization
• Title（参考訳）: 屋内UWBジャマーの局所化のための機械学習と深層学習
• Authors: Hamed Fard, Mahsa Kholghi, Benedikt Groß, Gerhard Wunder,
• Abstract要約: ウルトラワイドバンド(UWB)のローカライゼーションは、センチスケールの精度を提供するが、攻撃の妨害には弱い。 さまざまな分類と回帰指標を使用して、パフォーマンスを厳格に評価する。 CIR特性の整合に勾配反転層を利用するドメイン・アドバイサルのConvNeXtオートエンコーダを提案する。
• 参考スコア（独自算出の注目度）: 3.728528592481562
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ultra-wideband (UWB) localization delivers centimeter-scale accuracy but is vulnerable to jamming attacks, creating security risks for asset tracking and intrusion detection in smart buildings. Although machine learning (ML) and deep learning (DL) methods have improved tag localization, localizing malicious jammers within a single room and across changing indoor layouts remains largely unexplored. Two novel UWB datasets, collected under original and modified room configurations, are introduced to establish comprehensive ML/DL baselines. Performance is rigorously evaluated using a variety of classification and regression metrics. On the source dataset with the collected UWB features, Random Forest achieves the highest F1-macro score of 0.95 and XGBoost achieves the lowest mean Euclidean error of 20.16 cm. However, deploying these source-trained models in the modified room layout led to severe performance degradation, with XGBoost's mean Euclidean error increasing tenfold to 207.99 cm, demonstrating significant domain shift. To mitigate this degradation, a domain-adversarial ConvNeXt autoencoder (A-CNT) is proposed that leverages a gradient-reversal layer to align CIR-derived features across domains. The A-CNT framework restores localization performance by reducing the mean Euclidean error to 34.67 cm. This represents a 77 percent improvement over non-adversarial transfer learning and an 83 percent improvement over the best baseline, restoring the fraction of samples within 30 cm to 0.56. Overall, the results demonstrate that adversarial feature alignment enables robust and transferable indoor jammer localization despite environmental changes. Code and dataset available at https://github.com/afbf4c8996f/Jammer-Loc
• Abstract（参考訳）: ウルトラワイドバンド(UWB)のローカライゼーションは、センチスケールの精度を提供するが、攻撃の妨害に弱いため、スマートな建物における資産追跡や侵入検知のセキュリティリスクが生じる。 機械学習(ML)とディープラーニング(DL)の手法はタグのローカライゼーションを改善しているが、悪意のあるジャマーを1つの部屋にローカライズし、屋内レイアウトを変更してもほとんど探索されていない。 2つの新しいUWBデータセットは、オリジナルおよび修正された部屋構成に基づいて収集され、包括的なML/DLベースラインを確立するために導入された。 さまざまな分類と回帰指標を使用して、パフォーマンスを厳格に評価する。 収集されたUWBの特徴を持つソースデータセットでは、ランダムフォレストは最高F1マクロスコアが0.95、XGBoostは最低平均ユークリッド誤差が20.16cmに達する。 しかし、これらのソーストレーニングされたモデルを改造された部屋レイアウトに配置すると、XGBoostの平均ユークリッド誤差は10倍の207.99cmに増加し、ドメインシフトが著しく向上した。 この劣化を緩和するため、ドメイン間CIR特徴を整合させるために勾配反転層を利用するドメイン・アドバイサルのConvNeXtオートエンコーダ(A-CNT)が提案されている。 A-CNTフレームワークは、平均ユークリッド誤差を34.67cmにすることで、ローカライズ性能を回復する。 これは、非敵対的なトランスファー学習よりも77%改善し、最高のベースラインよりも83%改善し、サンプルの比率を30cmから0.56に回復することを意味する。 その結果, 環境変化にもかかわらず, 対向的特徴アライメントはロバストで移動可能な屋内ジャムマーの局所化を可能にすることが示された。 https://github.com/afbf4c8996f/Jammer-Locで利用可能なコードとデータセット

関連論文リスト

• Urban 3D Change Detection Using LiDAR Sensor for HD Map Maintenance and Smart Mobility [26.712098856567888]
  都市規模LiDARのための物体中心型不確実性認識パイプラインを提案する。 これはエポックを多分解能NDTと整列し、次に点対平面ICP、高さを正規化し、位置検出レベルを導出する。 15代表のスービアコでは95.2%の精度、90.4%のmF1、82.6%のmIoUがトリプルトKPConvを超える精度、0.2のmF1、0.8のmIoUがブロックされ、IoUが74.8%に達し、7.6ポイント改善された。
  論文  参考訳（メタデータ） (2025-10-24T02:59:55Z)
• Gaussian Primitive Optimized Deformable Retinal Image Registration [19.882820812725523]
  変形性網膜画像登録は、大きな同種領域とスパースだが重要な血管的特徴のため、非常に困難である。 これらの課題を克服するために、構造化メッセージパッシングを実行する新しい反復的フレームワークを導入する。 FIREデータセットの実験では、GPOはターゲット登録エラーを6.2,pxから2.4,pxに減らし、AUCを0.770から0.938に増やしている。
  論文  参考訳（メタデータ） (2025-08-23T00:44:50Z)
• GATE: Graph Attention Neural Networks with Real-Time Edge Construction for Robust Indoor Localization using Mobile Embedded Devices [3.3379026542599934]
  本稿では,屋内状態空間のトポロジを保存しつつ,指紋ベクトルの適応グラフ表現を構築する新しいフレームワークであるGATEについて述べる。 Gateは、最先端の屋内ローカライゼーションフレームワークと比較して平均ローカライゼーションエラーが1.6倍から4.72倍、最悪のケースエラーが1.85倍から4.57倍となる。
  論文  参考訳（メタデータ） (2025-07-15T07:37:33Z)
• UWB TDoA Error Correction using Transformers: Patching and Positional Encoding Strategies [1.5361702135159845]
  UWBベースのローカライゼーションシステムは、多経路効果と非視界条件により、多くの障害のある産業施設に配備された場合、不正確である。 本稿では,すべてのアンカーノードから生チャネルインパルス応答(CIR)を用いて位置補正を行うトランスフォーマーを用いたTDoA位置補正手法を提案する。 実世界のUWB測定実験に基づいて、我々の手法は(ほぼ)NLOS信号のみからなる複雑な環境で最大0.39mの精度を提供することができ、これはTDoAベースラインと比較して73.6%改善されている。
  論文  参考訳（メタデータ） (2025-07-04T12:19:54Z)
• SENTINEL: Securing Indoor Localization against Adversarial Attacks with Capsule Neural Networks [2.7186493234782527]
  SENTINELは、屋内のローカライゼーションソリューションの敵攻撃に対するレジリエンスを高めるための、新しい組込み機械学習フレームワークである。 RSSRogueLocも導入しています。これは実世界の屋内環境からローグAPの効果を計測するデータセットです。
  論文  参考訳（メタデータ） (2024-07-14T21:40:12Z)
• GIFD: A Generative Gradient Inversion Method with Feature Domain Optimization [52.55628139825667]
  Federated Learning(FL)は、クライアントのプライバシを保護するための有望な分散機械学習フレームワークとして登場した。 近年の研究では、事前学習された生成逆ネットワーク(GAN)を事前知識として活用することにより、攻撃者が共有勾配を逆転し、FLシステムに対する機密データを回復できることが示されている。 textbfGradient textbfInversion over textbfFeature textbfDomains (GIFD)を提案する。
  論文  参考訳（メタデータ） (2023-08-09T04:34:21Z)
• Revisiting Domain-Adaptive 3D Object Detection by Reliable, Diverse and Class-balanced Pseudo-Labeling [38.07637524378327]
  ドメイン適応型3Dオブジェクト検出において,疑似ラベリング技術を用いた教師なしドメイン適応(DA)が重要なアプローチとして浮上している。 既存のDAメソッドは、マルチクラスのトレーニング環境に適用した場合、パフォーマンスが大幅に低下する。 本稿では,すべてのクラスを一度に検出する学習に適した新しいReDBフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-16T04:34:11Z)
• 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)
• Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection [85.53263670166304]
  一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。 1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。 本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
  論文  参考訳（メタデータ） (2020-06-08T07:24:33Z)

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。