論文の概要: Smartphone Indoor Localization Enhanced by Hierarchical Multi-Sensor Context Recognition

• arxiv url: http://arxiv.org/abs/2610.39691v1
• Date: Thu, 29 Oct 2026 09:31:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.486568
• Title: Smartphone Indoor Localization Enhanced by Hierarchical Multi-Sensor Context Recognition
• Title（参考訳）: 階層型マルチセンサコンテキスト認識によるスマートフォン内位置推定
• Abstract要約: スマートフォンの屋内でのローカライゼーションには、シーンの遷移と電話使用のバリエーションをまたいで、低コストで堅牢な位置決めが必要である。 既存の手法では、コンテキストキューを単一のイベントストリームや局所的な修正信号として扱うことが多い。 本稿では階層型マルチセンサコンテキスト認識によって強化されたフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 11.40478938652541
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Smartphone indoor localization requires low-cost, robust positioning across scene transitions and phone-use variations. Pedestrian dead reckoning (PDR) enables infrastructure-free deployment but accumulates errors from heading drift, structural transitions, and carrying-mode changes. Existing methods often treat contextual cues as a single event stream or local correction signal, limiting their ability to address distinct localization errors. This paper presents a framework enhanced by hierarchical multi-sensor context recognition. A jointly data- and model-driven recognition model predicts environment, scene, and activity probabilities, which are converted into scene-event and action-context segments. Scene-event segments guide scene-constrained PDR correction through corridor heading constraints, landmark attraction, fixed-lag backtracking, and vertical-transition handling. Action-context segments drive action-aware RoNIN-based position compensation for carrying-mode-dependent drift. Experiments on cross-floor and multi-action trajectories against LiDAR-SLAM references show that the proposed framework outperforms PDR and representative learned inertial odometry baselines, demonstrating that hierarchical semantics provide reliable, localization-specific correction cues.
• Abstract（参考訳）: スマートフォンの屋内でのローカライゼーションには、シーンの遷移と電話使用のバリエーションをまたいで、低コストで堅牢な位置決めが必要である。 PDR(Pedestrian Dead Rekoning)は、インフラストラクチャフリーなデプロイメントを可能にするが、ドリフトの方向、構造的遷移、移動モードの変更によるエラーを蓄積する。 既存の手法では、コンテキストキューを単一のイベントストリームまたは局所的な訂正信号として扱うことが多く、異なるローカライゼーションエラーに対処する能力を制限する。 本稿では階層型マルチセンサコンテキスト認識によって強化されたフレームワークを提案する。 共同データおよびモデル駆動認識モデルは、環境、シーン、アクティビティの確率を予測し、シーンイベントとアクションコンテキストセグメントに変換する。 シーンイベントセグメントは、廊下方向の制約、ランドマークアトラクション、固定ラグバックトラック、垂直遷移ハンドリングを通じて、シーン制約付きPDR補正をガイドする。 アクションコンテキストセグメントは、搬送モード依存ドリフトに対するアクション対応のRoNINベースの位置補償を駆動する。 LiDAR-SLAM参照に対するクロスフロアおよびマルチアクショントラジェクトリの実験により、提案フレームワークはPDRを上回り、慣性オドメトリーのベースラインを代表的に学習し、階層的セマンティクスが信頼性、局所化特異的な補正手段を提供することを示した。

関連論文リスト

• TRACE: Topology-Aware Reconnection via Prediction-Adaptive Connectivity Enforcement for Thin-Structure Segmentation [0.014257559724536567]
  TRACEは、必要なローカル接続を定義するためにターゲットスケルトンを使用する予測適応型の目的である。 TRACEは高いセグメンテーション精度を維持しながら、トレーニングのオーバーヘッドを低く抑えつつ、接続性とトポロジを改善していることを示す。
  論文  参考訳（メタデータ） (2026-10-15T16:58:50Z)
• COMPASS: Contextual Moment Prior Alignment for Generalizable AIGI Detection [87.91469665365304]
  一般化可能なAI生成画像(AIGI)とディープフェイク検出は、非対称性現象のため難しいままである。 最近の部分空間適応法は、残留部分空間を適応させながら高次主成分を凍結することによりこの問題を軽減する。 本稿では,小さなSemantic Proxy Setを用いて,ターゲットのアクティベーション統計を推定するデータ認識サブスペース適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-10-13T09:23:12Z)
• ReLoc: Rethinking Scene Coordinate Regression Architecture for Robust Outdoor LiDAR-based Localization [7.710436567988379]
  改良されたシーンコーディネート回帰アーキテクチャであるReLocを紹介します。 ノイズの多い局所的特徴の影響を軽減するために,注意に基づく局所的特徴強調モジュールを導入する。 提案手法は,従来のSCR手法よりもリアルタイムの推論性能を維持しつつ,最先端の精度を実現する。
  論文  参考訳（メタデータ） (2026-09-27T08:16:07Z)
• Active Adversarial Perturbation-driven Associative Memory Retrieval for RGB-Event Visual Object Tracking [58.338848435042536]
  RGB-Eventトラッキングは、イベントセンサからRGB外観テクスチャと高密度時間運動キューを融合することにより、ローカライズを改善する。 現実世界のシーンは、従来のマルチモーダル融合を妨げる多様な構造的な信号劣化に悩まされる。 本稿では,RGBイベント追跡に適した階層的摂動・検索フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-24T23:34:06Z)
• Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
  カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。 既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。 動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-25T09:57:46Z)
• MoASE++: Mixture of Activation Sparsity Experts with Domain-Adaptive On-policy Distillation for Continual Test Time Adaptation [65.068801413044]
  連続的なテスト時間適応は、非定常な未ラベルのターゲットストリームにソース予測モデルを適用する。 ドメインに依存しない構造をドメイン固有のテクスチャから切り離す。
  論文  参考訳（メタデータ） (2026-05-18T01:52:12Z)
• LEAR: Learning Edge-Aware Representations for Event-to-LiDAR Localization [15.308350522323588]
  LEARは、エッジ構造と高密度事象深度流れ場を共同で推定し、知覚とモダリティの分断を橋渡しする。 いくつかの人気があり、挑戦的なデータセットにおいて、LEARは最高の先行メソッドよりも優れたパフォーマンスを達成している。
  論文  参考訳（メタデータ） (2026-03-02T13:18:25Z)
• RSGround-R1: Rethinking Remote Sensing Visual Grounding through Spatial Reasoning [61.84363374647606]
  リモートセンシングビジュアルグラウンドディング(RSVG)は、自然言語記述に基づく大規模空中画像における対象物体のローカライズを目的としている。 これらの記述はしばしば位置的手がかりに大きく依存しており、空間的推論においてMLLM(Multimodal Large Language Models)に固有の課題を提起している。 空間理解の高度化を図るために,textbfRSGround-R1 と呼ばれる推論誘導型位置認識後学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-29T12:35:57Z)
• DiffRIS: Enhancing Referring Remote Sensing Image Segmentation with Pre-trained Text-to-Image Diffusion Models [9.109484087832058]
  DiffRISは、RRSISタスクのための事前訓練されたテキスト-画像拡散モデルのセマンティック理解機能を利用する新しいフレームワークである。 我々のフレームワークは、文脈認識アダプタ(CP-adapter)とクロスモーダル推論デコーダ(PCMRD)の2つの重要なイノベーションを導入している。
  論文  参考訳（メタデータ） (2025-06-23T02:38:56Z)
• Continual Vision-Language Representation Learning with Off-Diagonal Information [112.39419069447902]
  CLIPのようなマルチモーダルなコントラスト学習フレームワークは通常、トレーニングに大量の画像テキストサンプルを必要とする。 本稿では,ストリーミングデータを用いた連続CLIPトレーニングの実現可能性について論じる。
  論文  参考訳（メタデータ） (2023-05-11T08:04:46Z)

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。