論文の概要: Magnetic Indoor Localization through CNN Regression and Rotation Invariance

• arxiv url: http://arxiv.org/abs/2604.22896v1
• Date: Fri, 24 Apr 2026 12:06:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.038647
• Title: Magnetic Indoor Localization through CNN Regression and Rotation Invariance
• Title（参考訳）: CNN回帰と回転不変性による室内磁化
• Authors: Helge Rosé, Konstantin Klipp, Tom Koubek, Bernd Schäufele, Ilja Radusch,
• Abstract要約: 磁気シーケンス上で7層拡張CNN(MagNetS/XL)をトレーニングし、(x, y)位置を直接回帰する。 生3D入力(Mx, My, Mz)は、90回転の固定の下で等方的誤差が増加し、さらにランダム回転の増大とともに劣化する。 対照的に、2D(Mn, Mg)入力は回転不変の精度を維持し、回転が建物固有のしきい値を超えると3D入力を超える。
• 参考スコア（独自算出の注目度）: 0.33554367023486936
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Indoor positioning is an essential technology for a wide range of applications in GNSS-denied environments, including indoor navigation and IoT systems. Combining convolutional neural networks (CNNs) and magnetic field-based features offers a low-cost, infrastructure-free solution for precise positioning. While magnetic fingerprints are a promising approach for indoor positioning, models trained on raw 3D magnetometer data are highly sensitive to device orientation. We address this by using two rotation invariant features derived from the 3D magnetic field: the norm (Mn) and the projection onto the gravity axis (Mg). We train a lightweight 7-layer dilated CNN (MagNetS/XL) on magnetic sequences to directly regress (x, y) positions. Using the MagPie dataset (three buildings, handheld trajectories), we systematically evaluate fixed and random rotations of test and/or train data. Raw 3D inputs (Mx, My , Mz) exhibit isotropic error increases under fixed 90° rotations and further degrade with growing random rotations. In contrast, 2D (Mn, Mg) inputs maintain rotation invariant accuracy and surpass the 3D inputs once rotation exceeds building-specific thresholds for three reference buildings: 0° for Loomis (large), 5° for Talbot (medium), and 6° for CSL (small). MagNetXL achieves or exceeds state-of-the-art accuracy on the MagPie dataset, and MagNetS delivers similar performance with roughly one third of the parameters, favoring mobile deployment. These results show that the robustness gained from rotation invariant inputs outweighs the loss of input dimensionality in realistic usage, allowing mapping and localization without orientation alignment or added infrastructure.
• Abstract（参考訳）: 室内位置決めは、屋内ナビゲーションやIoTシステムを含む、GNSSで強化された環境において、幅広いアプリケーションにとって不可欠な技術である。 畳み込みニューラルネットワーク(CNN)と磁場ベースの特徴を組み合わせることで、正確な位置決めのための低コストでインフラストラクチャフリーなソリューションを提供する。 磁気指紋は屋内位置決めには有望なアプローチだが、生の3D磁気センサデータに基づいてトレーニングされたモデルは、装置の向きに非常に敏感である。 本研究では,3次元磁場から導出される2つの回転不変特性,ノルム (Mn) と重力軸 (Mg) への射影を用いてこの問題に対処する。 磁気シーケンス上で7層拡張CNN(MagNetS/XL)をトレーニングし、(x, y)位置を直接回帰する。 MagPieデータセット(3つの建物、ハンドヘルドトラジェクトリ)を用いて、テストデータや列車データの固定およびランダムな回転を系統的に評価する。 生3D入力(Mx, My , Mz)は、固定された90°回転の下で等方的誤差が増加し、ランダム回転が増加するにつれてさらに劣化する。 対照的に、2D (Mn, Mg) 入力は回転不変の精度を維持し、回転が3つの基準建物の建築固有のしきい値を超えると3D入力を超える。 MagNetXLはMagPieデータセットで最先端の精度を達成または超え、MagNetSはパラメータの約3分の1で同様のパフォーマンスを提供し、モバイルデプロイメントを好んでいる。 これらの結果は、回転不変入力から得られるロバスト性は、現実的な使用における入力次元の喪失よりも優れており、アライメントアライメントやインフラの追加なしにマッピングとローカライゼーションが可能であることを示している。

関連論文リスト

• SO3UFormer: Learning Intrinsic Spherical Features for Rotation-Robust Panoramic Segmentation [1.6571781613404601]
  パノラマ意味セグメンテーションモデルは通常、厳密な重力の仮定の下で訓練される。 実世界のキャプチャは、制約のないカメラの動きのために、この標準方向から逸脱することが多い。 この不一致により、標準的な球面トランスフォーマーはグローバルな緯度条件をオーバーフィットさせ、3次元リオリエンテーションの下で性能が低下する。 我々は,下層の座標フレームに敏感でない固有球面特徴を学習するために設計された回転ロバストアーキテクチャであるSO3UFormerを紹介する。
  論文  参考訳（メタデータ） (2026-02-26T11:07:51Z)
• A Lightweight 3D Anomaly Detection Method with Rotationally Invariant Features [60.76577388438418]
  3D異常検出(AD)は、ポイントクラウドデータから異常点や領域を特定することを目的として、コンピュータビジョンにおいて重要なタスクである。 既存の手法は、方向と位置の変化を伴う点雲を扱う場合、結果として得られる特徴が著しく異なるため、課題に遭遇する可能性がある。 本稿では、3次元ADのための新しい回転不変特徴量(RIF)フレームワークを提案し、各点を回転不変空間にマッピングして表現の整合性を維持する。
  論文  参考訳（メタデータ） (2025-11-17T08:16:05Z)
• 3D Magnetic Inverse Routine for Single-Segment Magnetic Field Images [0.0]
  半導体包装では、回路欠陥を局所化する非破壊試験(NDT)において、正確に3D情報を復元することが重要である。 本稿では, 磁界画像(MFI)を利用して, 単一セグメントの3次元電流流のパラメータを抽出する3次元磁気逆ルーチン(3D MIR)を提案する。 その結果, 3次元MIR法は高精度で3次元情報を正確に復元し, 半導体包装における磁気画像再構成のための新しいベンチマークを設定した。
  論文  参考訳（メタデータ） (2025-07-15T13:20:13Z)
• Bias-field-free operation of nitrogen-vacancy ensembles in diamond for accurate vector magnetometry [0.0]
  窒素空孔中心スピンアンサンブルは高感度ベクトル磁気学に有望な解決策を提供する。 通常、各NV方向からの信号の分離に使用されるバイアス磁場は永久磁石やコイルのドリフトから不正確性をもたらす。 本研究では,マイクロ波(MW)磁場の方向からNV配向を可変パルス変調ラムゼー列にラベル付けする新しいバイアス場のない手法を提案する。
  論文  参考訳（メタデータ） (2025-05-30T13:26:10Z)
• 3D Equivariant Pose Regression via Direct Wigner-D Harmonics Prediction [50.07071392673984]
  既存の方法は、角度や四元数を用いて空間領域でパラメータ化された3次元回転を学習する。 本稿では,3次元回転回帰のためのWigner-D係数を直接予測する周波数領域アプローチを提案する。 提案手法は, ModelNet10-SO(3) や PASCAL3D+ などのベンチマーク上での最先端結果を実現する。
  論文  参考訳（メタデータ） (2024-11-01T12:50:38Z)
• RIDE: Boosting 3D Object Detection for LiDAR Point Clouds via Rotation-Invariant Analysis [15.42293045246587]
  RIDEは3D LiDAR-point-based object DEtectorの回転不変性の先駆的な探索である。 回転に敏感ではあるが幾何をよく保持できる2機能抽出器と、幾何情報をある程度失うが回転に頑健な回転不変特徴を抽出する。 我々のRIDEは互換性があり、既存の1段と2段の3D検出器に簡単に接続でき、検出性能と回転ロバスト性の両方を高めることができる。
  論文  参考訳（メタデータ） (2024-08-28T08:53:33Z)
• NDC-Scene: Boost Monocular 3D Semantic Scene Completion in Normalized Device Coordinates Space [77.6067460464962]
  SSC(Monocular 3D Semantic Scene Completion)は、単一の画像から複雑なセマンティックスや幾何学的形状を予測し、3D入力を必要としないため、近年大きな注目を集めている。 我々は,3次元空間に投影された2次元特徴の特徴的曖昧さ,3次元畳み込みのPose Ambiguity,深さの異なる3次元畳み込みにおける不均衡など,現在の最先端手法におけるいくつかの重要な問題を明らかにする。 シーン補完ネットワーク(NDC-Scene)を考案し,2を直接拡張する。
  論文  参考訳（メタデータ） (2023-09-26T02:09:52Z)
• Rotation-Invariant Transformer for Point Cloud Matching [42.5714375149213]
  我々は,回転不変変換器であるRoITrを導入し,点クラウドマッチングタスクにおけるポーズ変動に対処する。 本稿では,自己認識機構によって学習した,回転不変なクロスフレーム空間認識を備えたグローバルトランスフォーマーを提案する。 RoITrは、Inlier RatioとRegistration Recallの点で、既存のメソッドを少なくとも13と5のパーセンテージで上回っている。
  論文  参考訳（メタデータ） (2023-03-14T20:55:27Z)

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。