論文の概要: LocaGen: Low-Overhead Indoor Localization Through Spatial Augmentation
- arxiv url: http://arxiv.org/abs/2511.18158v1
- Date: Sat, 22 Nov 2025 18:56:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-25 18:34:24.660497
- Title: LocaGen: Low-Overhead Indoor Localization Through Spatial Augmentation
- Title（参考訳）: LocaGen:空間的拡張による低オーバーヘッド屋内ローカライゼーション
- Authors: Abdelrahman Abdelmotlb, Abdallah Taman, Sherif Mostafa, Moustafa Youssef,
- Abstract要約: LocaGenは、見えない場所で高品質な合成データを生成することによって、指紋認証のオーバーヘッドを低減する空間拡張フレームワークである。
実世界のWiFiフィンガープリントデータセットを用いた評価では、LocaGenは、30%のロケーションが見えない場合でも、同じローカライズ精度を維持している。
- 参考スコア（独自算出の注目度）: 0.9566312408744934
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Indoor localization systems commonly rely on fingerprinting, which requires extensive survey efforts to obtain location-tagged signal data, limiting their real-world deployability. Recent approaches that attempt to reduce this overhead either suffer from low representation ability, mode collapse issues, or require the effort of collecting data at all target locations. We present LocaGen, a novel spatial augmentation framework that significantly reduces fingerprinting overhead by generating high-quality synthetic data at completely unseen locations. LocaGen leverages a conditional diffusion model guided by a novel spatially aware optimization strategy to synthesize realistic fingerprints at unseen locations using only a subset of seen locations. To further improve our diffusion model performance, LocaGen augments seen location data based on domain-specific heuristics and strategically selects the seen and unseen locations using a novel density-based approach that ensures robust coverage. Our extensive evaluation on a real-world WiFi fingerprinting dataset shows that LocaGen maintains the same localization accuracy even with 30% of the locations unseen and achieves up to 28% improvement in accuracy over state-of-the-art augmentation methods.
- Abstract（参考訳）: 屋内のローカライゼーションシステムは一般的にフィンガープリントに依存しており、位置タグ付き信号データを取得するには広範囲な調査努力が必要であり、実際の展開可能性を制限する。
このオーバーヘッドを減らそうとする最近のアプローチは、表現能力の低下やモード崩壊の問題に悩まされているか、あるいはすべてのターゲット位置でデータを収集する努力を必要としている。
全く見えない場所で高品質な合成データを生成することにより,指紋認証のオーバーヘッドを大幅に低減する空間拡張フレームワークであるLocaGenを提案する。
LocaGenは、空間的に意識された新しい最適化戦略によって導かれる条件拡散モデルを利用して、目に見えない場所のみを使用して現実的な指紋を合成する。
拡散モデルの性能をさらに向上するために、LocaGenは、ドメイン固有のヒューリスティックに基づいた位置データを拡張し、ロバストなカバレッジを保証する新しい密度ベースのアプローチを使用して、目に見えない場所と見えない場所を戦略的に選択する。
実世界のWiFiフィンガープリントデータセットに対する広範な評価によると、LocaGenは、30%のロケーションが見えない場合でも、同じローカライズ精度を維持し、最先端のAugmentationメソッドよりも最大28%の精度向上を実現している。
関連論文リスト
- Generative MIMO Beam Map Construction for Location Recovery and Beam Tracking [67.65578956523403]
本稿では,スパースチャネル状態情報(CSI)から位置ラベルを直接復元する生成フレームワークを提案する。
生のCSIを直接格納する代わりに、小型の低次元無線地図の埋め込みを学び、生成モデルを利用して高次元CSIを再構築する。
数値実験により,NLOSシナリオにおける局所化精度が30%以上向上し,20%のキャパシティゲインが得られることが示された。
論文 参考訳（メタデータ） (2025-11-21T07:25:49Z) - Improving Outdoor Multi-cell Fingerprinting-based Positioning via Mobile Data Augmentation [2.0065923589074735]
本稿では,マルチセルフィンガープリントに基づく位置決めの高速化を目的とした,軽量でモジュール化されたモバイルデータ拡張フレームワークを提案する。
このフレームワークは、既存のモバイルデータトレースを使用したオペレータの位置決めサービスを強化するために、実用的で低複雑さのパスを提供する。
論文 参考訳（メタデータ） (2025-09-23T09:09:45Z) - Morphology-optimized Multi-Scale Fusion: Combining Local Artifacts and Mesoscopic Semantics for Deepfake Detection and Localization [30.871239863769404]
一般的な戦略は、操作されたイメージとともに、モデルトレーニング中に偽のリージョンアノテーションを組み込むことである。
本研究では,局所的視点と大域的視点の両方を用いて操作された領域を独立に予測する手法を提案する。
論文 参考訳（メタデータ） (2025-09-17T07:46:07Z) - UnLoc: Leveraging Depth Uncertainties for Floorplan Localization [80.55849461031879]
UnLocはフロアプラン内のシーケンシャルカメラローカライゼーションのための効率的なデータ駆動ソリューションである。
本研究では,不確実性推定を組み込んだ新しい確率モデルを導入し,深度予測を明示的な確率分布としてモデル化する。
我々はUnLocを大規模合成および実世界のデータセット上で評価し、精度とロバスト性の観点から大幅に改善したことを示す。
論文 参考訳（メタデータ） (2025-09-14T14:45:43Z) - Robust Indoor Localization in Dynamic Environments: A Multi-source Unsupervised Domain Adaptation Framework [0.4683612295430956]
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。
論文 参考訳（メタデータ） (2025-02-11T04:29:22Z) - Recognize Any Regions [55.76437190434433]
RegionSpotは、ローカライゼーション基盤モデルから位置認識ローカライゼーション知識と、ViLモデルからのセマンティック情報を統合する。
オープンワールドオブジェクト認識の実験では、私たちのRereaSpotは、以前の代替よりも大きなパフォーマンス向上を実現しています。
論文 参考訳（メタデータ） (2023-11-02T16:31:49Z) - 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) - Real-time Outdoor Localization Using Radio Maps: A Deep Learning
Approach [59.17191114000146]
LocUNet: ローカライゼーションタスクのための畳み込み、エンドツーエンドのトレーニングニューラルネットワーク(NN)。
我々は,LocUNetがユーザを最先端の精度でローカライズし,無線マップ推定における不正確性が高いことを示す。
論文 参考訳（メタデータ） (2021-06-23T17:27:04Z) - Unsupervised Metric Relocalization Using Transform Consistency Loss [66.19479868638925]
メートル法再ローカライズを行うためのトレーニングネットワークは、従来、正確な画像対応が必要である。
地図内のクエリ画像のローカライズは、登録に使用される参照画像に関係なく、同じ絶対的なポーズを与えるべきである。
提案手法は, 限られた地下構造情報が得られる場合に, 他の教師あり手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2020-11-01T19:24:27Z) - 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)
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。