論文の概要: Cross-Area Transfer Learning for VLC-based Indoor Localization with a Transfer Efficiency Score

• arxiv url: http://arxiv.org/abs/2610.29638v1
• Date: Wed, 21 Oct 2026 12:18:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.355896
• Title: Cross-Area Transfer Learning for VLC-based Indoor Localization with a Transfer Efficiency Score
• Title（参考訳）: 伝達効率スコアを用いたVLCを用いた屋内位置推定のためのクロスエリア変換学習
• Abstract要約: 本稿では,室内光通信(VLC)を用いた屋内ローカライゼーションのためのトランスファーラーニングフレームワークを提案する。 ソース領域データに事前トレーニングされたディープニューラルネットワーク(DNN)の微調整を行い,目標領域測定のわずか40%で全データ性能の97%を回復することを示した。
• 参考スコア（独自算出の注目度）: 40.45692000230286
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Indoor localization systems are critical for Industry-4.0 applications. Visible Light Communication (VLC)-based systems offer advantages such as immunity to electromagnetic interference, high accuracy, and energy efficiency, but their performance is hindered by environmental variability across deployment areas. This paper presents a transfer learning (TL) framework for VLC-based indoor localization that enhances cross-area robustness while reducing data requirements. Using real-world measurements from four distinct areas of a Bosch manufacturing facility, we show that fine-tuning a deep neural network (DNN) pre-trained on source area data with only 40% of target-area measurements recovers 97% of full-data performance, thereby reducing the amount of target data needed. We further introduce the Transfer Efficiency Score (TES), a composite metric that identifies the most effective source models for transfer without exhaustive evaluation. Guided by TES, the framework selects the best source model, yielding localization errors as low as 40.9 cm with success rates above 86%. Validation on an unseen area confirms its generalization capability, with a 3.28 cm mean error achieved using the TES-selected source model. Overall, the proposed framework provides a scalable and data-efficient pathway for industrial VLC localization, substantially reducing deployment costs and computational burden while maintaining high accuracy in diverse and dynamic environments.
• Abstract（参考訳）: 産業用-4.0 アプリケーションには、屋内ローカライゼーションシステムが不可欠である。 可視光通信(VLC)ベースのシステムは、電磁干渉に対する免疫、高精度、エネルギー効率などの利点を提供するが、その性能は、展開領域間の環境変動によって妨げられる。 本稿では,VLCを用いた屋内ローカライゼーションのためのトランスファーラーニング(TL)フレームワークを提案する。 ボッシュ製造施設の4つの異なる領域からの実世界計測を用いて、目標領域の測定のわずか40%のソース領域データに事前トレーニングされたディープニューラルネットワーク(DNN)を微調整することで、全データ性能の97%を回復し、必要なターゲットデータ量を削減できることを示す。 さらに,伝達効率スコア (TES) は, 網羅的評価を伴わずに, 転送に最も有効なソースモデルを特定する複合指標である。 TESによってガイドされたこのフレームワークは、最高のソースモデルを選択し、ローカライズエラーを40.9cmまで減らし、成功率は86%を超えている。 未確認領域のバリデーションは、TES選択ソースモデルを用いて平均3.28cmの誤差で、その一般化能力を確認する。 提案するフレームワークは,産業用VLCローカライゼーションのためのスケーラブルでデータ効率のよい経路を提供し,多様な動的環境において高い精度を維持しつつ,展開コストと計算負担を大幅に削減する。

関連論文リスト

• A Transfer Learning-Driven Methodology for Efficient and Sustainable Indoor Localization Using VLC [40.45692000230286]
  可視光通信を用いた屋内位置推定のためのエネルギー効率変換学習(TL)手法を提案する。 本手法はTLを利用して,照明変動や局所化性能を低下させる物理的障害など,環境変動に対処する。 また、局所化精度、エネルギー効率、データ効率、転送ゲインを総合最適化のための単一の評価尺度に統合するために設計された新しいモデル効率(ME)指標も導入する。
  論文  参考訳（メタデータ） (2026-10-21T11:33:42Z)
• Rethinking Attention Locality in Spiking Transformers [50.00501275379363]
  スパイキングトランスフォーマーは、スパイク駆動計算による効率的なビジュアル処理のための有望なパラダイムを提供する。 彼らのSSA(Softmax-free Spiking Self-Attention)は、空間的に局所化されたトークン相互作用を確立するのに苦労している。 境界連続経路(SCLA-BCP)を用いた空間連続的局所的注意法を提案する。 当社のアプローチでは、2017年のCOCOではmAP@50が9.50%、ADE20KではmIoUが3.42%改善しています。
  論文  参考訳（メタデータ） (2026-08-09T07:36:17Z)
• 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)
• Transfer Learning for VLC-based indoor Localization: Addressing Environmental Variability [42.86301896995645]
  本稿では,VLCを用いた屋内ローカライゼーションのためのトランスファーラーニング(TL)に基づくアプローチを提案する。 BOSCHファクトリで収集された実世界のデータを使用して、TLフレームワークはディープニューラルネットワーク(DNN)を統合して、ローカライゼーションの精度を47%向上する。 提案手法は環境条件の異なる条件下で高度に適応可能であり、データセットの30%で同様の精度を達成できる。
  論文  参考訳（メタデータ） (2025-07-02T10:51:38Z)
• EfficientLLM: Efficiency in Large Language Models [64.3537131208038]
  大規模言語モデル(LLM)は大きな進歩を導いてきたが、その増加とコンテキストウィンドウは計算、エネルギー、金銭的コストを禁止している。 本稿では,新しいベンチマークであるEfficientLLMを紹介する。
  論文  参考訳（メタデータ） (2025-05-20T02:27:08Z)
• Localization Meets Uncertainty: Uncertainty-Aware Multi-Modal Localization [5.414146574747448]
  本研究では、信頼できない3DoFのポーズ予測をフィルタリングするパーセンタイルに基づく拒絶戦略を導入する。 実験結果から, より厳密な不確実性しきい値を適用することにより, ポーズ精度が向上することが示唆された。
  論文  参考訳（メタデータ） (2025-04-10T12:07:24Z)
• Adaptive Rank Allocation for Federated Parameter-Efficient Fine-Tuning of Language Models [40.69348434971122]
  本稿では,パラメータ効率の高い言語モデルの微調整のための新しい適応ランクアロケーションフレームワークであるFedARAを提案する。 FedARAは、ヘテロジニアスなデータの下で、さまざまなデータセットやモデルに対して平均6.95%から8.49%のベースラインを一貫して上回っている。 各種エッジデバイスの実験では、それぞれ48.90%、46.95%のトレーニング時間とエネルギー消費が大幅に減少している。
  論文  参考訳（メタデータ） (2025-01-24T11:19:07Z)
• 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)
• A Unified Light Framework for Real-time Fault Detection of Freight Train Images [16.721758280029302]
  貨物列車のリアルタイム故障検出は、鉄道輸送の安全と最適運転を保証する上で重要な役割を担っている。 深層学習に基づくアプローチの有望な結果にもかかわらず、貨物列車画像におけるこれらの断層検出器の性能は精度と効率の両立には程遠い。 本稿では,リソース要求の少ないリアルタイム動作をサポートしながら,検出精度を向上させるための統一光フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-01-31T05:10:20Z)

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。