論文の概要: Learning Displacement-Aware WiFi Representations for Weakly Supervised Relative Localization
- arxiv url: http://arxiv.org/abs/2605.16357v1
- Date: Sat, 09 May 2026 02:01:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-19 23:51:08.287198
- Title: Learning Displacement-Aware WiFi Representations for Weakly Supervised Relative Localization
- Title（参考訳）: ゆるやかに監督された相対的局所化のための学習的変位を考慮したWiFi表現
- Abstract要約: 本研究の目的は, 絶対位置を予測せずに, 2つのWiFi指紋跡の変位を直接推定することである。
アノテーションのオーバーヘッドを低減するため、慣性センシングから得られるステップワイズ・モーション・ベクターの形で、弱い監視を採用する。
指紋跡(f-traces)と変位跡(d-traces)を共有潜在空間内で整列するクロスモーダル学習フレームワークであるIntersection Pathway (IP)を提案する。
- 参考スコア（独自算出の注目度）: 8.812451436696914
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: WiFi fingerprint-based indoor localization has been widely studied, but most existing approaches focus on absolute positioning and rely on dense coordinate annotations, which are costly to obtain at scale. In this paper, we study a fundamentally different problem: relative localization, where the goal is to directly estimate the displacement between two WiFi fingerprint traces without predicting their absolute positions. To reduce annotation overhead, we adopt weak supervision in the form of stepwise motion vectors obtained from inertial sensing. We propose Intersection Pathway (IP), a cross-modal learning framework that aligns fingerprint traces (f-traces) and displacement traces (d-traces) in a shared latent space. The key idea is to enforce an additive structure in the latent space, such that latent addition and subtraction correspond to physical motion composition, enabling direct relative-displacement inference. Experiments on a synthesized dataset derived from real measurements demonstrate that the proposed method learns displacement-aware WiFi representations and achieves accurate relative localization across varying displacement ranges. Furthermore, the learned model can be extended to few-shot absolute localization with sparse anchors.
- Abstract（参考訳）: WiFi指紋を用いた屋内位置決めは広く研究されているが、既存のアプローチは絶対位置決めに重点を置いており、大規模に取得するのにコストがかかる密集した座標アノテーションに依存している。
本稿では,2つのWiFi指紋間の変位を,絶対位置を予測せずに直接推定することを目的として,相対的局所化という,根本的に異なる問題について検討する。
アノテーションのオーバーヘッドを低減するため、慣性センシングから得られるステップワイズ・モーション・ベクターの形で、弱い監視を採用する。
指紋跡(f-traces)と変位跡(d-traces)を共有潜在空間で整列するクロスモーダル学習フレームワークであるIntersection Pathway (IP)を提案する。
鍵となる考え方は、潜在空間における加法構造を強制することであり、潜在加法と減算は物理的な運動組成に対応し、直接相対変位推論を可能にする。
実測値から合成したデータセットの実験により, 提案手法は変位を考慮したWiFi表現を学習し, 様々な変位範囲にわたって正確な相対的局所化を実現することを示した。
さらに、学習したモデルはスパースアンカーで数ショットの絶対位置化まで拡張することができる。
関連論文リスト
- Warp-free Cross-view Geo-localization via Feature-space Consensus Mining [49.843311525678565]
ストリートレベルの画像と衛星画像の間に大きな違いがあるため、クロスビューのジオローカライゼーションは困難である。
本稿では,明示的な幾何学的ワープを完全に回避する,新しい統合ビュー・コンセンサス誘導学習フレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-10T09:02:06Z) - Beyond Waypoints: Dual-Heatmap Grounding for Cross-Embodiment Semantic Navigation [13.081539889943906]
本研究では,FOV内セマンティックナビゲーションの実践的な設定に焦点を当てる。
本稿では,Dual-Heatmap表現に有利な単一点回帰を放棄する統合ビジョン・ランゲージフレームワークを提案する。
本フレームワークは,8Bベースライン間の最先端性能を実現する。
論文 参考訳（メタデータ） (2026-05-19T06:12:59Z) - Multi-session Localization and Mapping Exploiting Topological Information [1.3316173544577008]
地図に基づくローカライゼーションに基づく新しいマルチセッションフレームワークを提案する。
提案手法にはトポロジインフォームドな不確実性を考慮した意思決定機構が組み込まれている。
提案手法は,データセットから重なり合う配列について検証し,実世界の鉱山のような環境での有効性を実証する。
論文 参考訳（メタデータ） (2026-02-19T10:17:46Z) - Egocentric Action-aware Inertial Localization in Point Clouds with Vision-Language Guidance [25.891732881900484]
本稿では,Egocentric Action-Aware Inertial Localization (EAIL) という新しい慣性ローカライゼーションフレームワークを提案する。
EAILは階層的マルチモーダルアライメントと視覚言語指導によって相関関係を学習する。
実験は、最先端の慣性局所化と慣性行動認識ベースラインに対する提案手法の有効性を示す。
論文 参考訳（メタデータ） (2025-05-20T13:29:33Z) - RING#: PR-by-PE Global Localization with Roto-translation Equivariant Gram Learning [20.688641105430467]
GPS信号が信頼できない場合、グローバルなローカライゼーションは自動運転やロボティクスの応用において不可欠である。
ほとんどのアプローチは、逐次位置認識(PR)とポーズ推定(PE)により、グローバルなローカライゼーションを実現する。
ポーズ推定から直接導出することで、別の場所認識の必要性を回避できる新しいパラダイムであるPR-by-PEローカライゼーションを導入する。
本稿では,鳥眼視(BEV)空間で動作する終端PR-by-PEローカライゼーションネットワークであるRING#を提案する。
論文 参考訳（メタデータ） (2024-08-30T18:42:53Z) - View Consistent Purification for Accurate Cross-View Localization [59.48131378244399]
本稿では,屋外ロボットのための微細な自己局在化手法を提案する。
提案手法は,既存のクロスビューローカライゼーション手法の限界に対処する。
これは、動的環境における知覚を増強する初めての疎視のみの手法である。
論文 参考訳（メタデータ） (2023-08-16T02:51:52Z) - Adaptive Local-Component-aware Graph Convolutional Network for One-shot
Skeleton-based Action Recognition [54.23513799338309]
骨格に基づく行動認識のための適応的局所成分認識グラフ畳み込みネットワークを提案する。
我々の手法はグローバルな埋め込みよりも強力な表現を提供し、我々のモデルが最先端に到達するのに役立ちます。
論文 参考訳（メタデータ） (2022-09-21T02:33:07Z) - Ranking Distance Calibration for Cross-Domain Few-Shot Learning [91.22458739205766]
数ショット学習の最近の進歩は、より現実的なクロスドメイン設定を促進する。
ドメインギャップとソースとターゲットデータセット間のラベル空間の相違により、共有される知識は極めて限られている。
我々は,タスク内の相互k-アネレスト近傍を発見することで,目標距離行列の校正を行う。
論文 参考訳（メタデータ） (2021-12-01T03:36:58Z) - Residual Moment Loss for Medical Image Segmentation [56.72261489147506]
位置情報は,対象物体の多様体構造を捉えた深層学習モデルに有効であることが証明された。
既存のほとんどの手法は、ネットワークが学習するために、位置情報を暗黙的にエンコードする。
セグメント化対象の位置情報を明示的に埋め込むために,新しい損失関数,すなわち残差モーメント(RM)損失を提案する。
論文 参考訳（メタデータ） (2021-06-27T09:31:49Z) - 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) - LoCo: Local Contrastive Representation Learning [93.98029899866866]
重なり合うローカルブロックが重なり合うことで、デコーダの深さを効果的に増加させ、上位ブロックが暗黙的に下位ブロックにフィードバックを送ることができることを示す。
このシンプルな設計は、ローカル学習とエンドツーエンドのコントラスト学習アルゴリズムのパフォーマンスギャップを初めて埋める。
論文 参考訳（メタデータ） (2020-08-04T05:41:29Z)
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。