論文の概要: On-device Detection of Wearer-induced NLOS on Chest-worn UWB Tags: Machine Learning, Link Indicators, or Both?

• arxiv url: http://arxiv.org/abs/2610.41799v1
• Date: Fri, 30 Oct 2026 14:28:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.769841
• Title: On-device Detection of Wearer-induced NLOS on Chest-worn UWB Tags: Machine Learning, Link Indicators, or Both?
• Title（参考訳）: 胸部UWBタグにおけるウェアラブル誘発NLOSのオンデバイス検出:機械学習,リンク指標,あるいは両方か?
• Abstract要約: ウルトラワイドバンド(UWB)は、高精度な距離推定(配列)を可能にするが、非線形(NLOS)条件では性能が低下する。 WNLOSに適用された既存のオンデバイス機械学習(ML)と無線リンクインジケータ(LI)について検討し,その相補性を生かした新しいハイブリッド手法を提案する。
• 参考スコア（独自算出の注目度）: 0.30786914102688595
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ultra-wideband (UWB) enables high-accuracy distance estimation (ranging), but performance degrades in non-line-of-sight (NLOS) conditions. When UWB tags are worn, the human body inevitably causes a wearer-induced NLOS (WNLOS), yielding significant errors; still, despite its relevance, WNLOS remains understudied. Moreover, WNLOS detection typically must occur on-device at the tag, requiring classification accuracy to be balanced against tight runtime and energy constraints often hard to meet with machine learning (ML) -- the dominating NLOS classification approach. Meanwhile, UWB radio link indicators (LI) offer a faster and lightweight alternative that has rarely been explored. We study existing on-device ML and LI classifiers when applied to WNLOS, and propose novel hybrid ones exploiting their complementarity. We focus on chest-worn tags and analyze 21 classifiers on a dataset of 1.5 million samples across channels, PHY settings, environments, subjects, and orientations. Results show that while all of them achieve good classification accuracy, relative performance, including ranging errors due to misclassification, depends heavily on channel and PHY configuration. Runtime and energy efficiency also vary dramatically; some techniques offer marginal accuracy gains while consuming up to 39.6x more energy. Therefore, we also introduce a recommender tool to identify optimal classifiers under user-defined constraints, publicly released with our dataset.
• Abstract（参考訳）: ウルトラワイドバンド(UWB)は、高精度な距離推定(配列)を可能にするが、非線形(NLOS)条件では性能が低下する。 UWBタグを装着すると、人体が必然的にNLOS(WNLOS)を誘発し、重大なエラーを引き起こす。 さらに、WNLOS検出は通常、タグのオンデバイスで行う必要があり、分類精度を厳格なランタイムとバランスさせなければならない。 一方、UWBラジオリンクインジケータ (LI) はより高速で軽量な代替手段を提供しており、調査はめったに行われていない。 WNLOSに適用された既存のオンデバイスMLおよびLI分類器について検討し、その相補性を活かした新しいハイブリッド手法を提案する。 我々は、チャネル、PHY設定、環境、主題、オリエンテーションにまたがる150万のサンプルのデータセットに基づいて、胸巻タグと21の分類器の分析に重点を置いている。 その結果,いずれも良好な分類精度が得られたが,誤分類による範囲誤差を含む相対的な性能は,チャネルやPHYの設定に大きく依存していることがわかった。 実行時間とエネルギー効率も劇的に変化し、いくつかの技術では限界精度が向上し、39.6倍のエネルギーを消費する。 そこで,ユーザ定義制約の下で最適な分類器を識別するためのレコメンデーションツールも導入した。

関連論文リスト

• Calibratable Disambiguation Loss for Multi-Instance Partial-Label Learning [53.9713678229744]
  MIPL(Multi-instance partial-label Learning)は、インスタンス空間とラベル空間の両方において、不正確な監督の課題に対処する弱い教師付きフレームワークである。 既存のMIPLアプローチは、しばしばキャリブレーションが悪く、信頼性を損なう。 分類精度と校正性能を同時に向上するプラグアンドプレイ校正型曖昧さ損失(CDL)を提案する。
  論文  参考訳（メタデータ） (2025-12-19T16:58:31Z)
• Randomized Smoothing Meets Vision-Language Models [6.224335082856828]
  ランダムスムーシング(RS)は、機械学習モデルの正確性を保証するために使用される。 生成モデルではRSが引き続き有効であることを示す。 我々は,検体数に対する検体半径と精度を解析的に関連づけたスケーリング法を導出した。 これらの進歩は、最先端のVLMに対して、明確に定義され、計算的に実現可能なロバストネス認証を実現する。
  論文  参考訳（メタデータ） (2025-09-19T15:33:22Z)
• Collaborative Feature-Logits Contrastive Learning for Open-Set Semi-Supervised Object Detection [75.02249869573994]
  オープンセットのシナリオでは、ラベルなしデータセットには、イン・ディストリビューション(ID)クラスとアウト・オブ・ディストリビューション(OOD)クラスの両方が含まれている。 このような設定で半教師付き検出器を適用すると、OODクラスをIDクラスとして誤分類する可能性がある。 我々は、CFL-Detector(Collaborative Feature-Logits Detector)と呼ばれるシンプルで効果的な方法を提案する。
  論文  参考訳（メタデータ） (2024-11-20T02:57:35Z)
• Revisiting Class Imbalance for End-to-end Semi-Supervised Object Detection [1.6249267147413524]
  半教師付きオブジェクト検出(SSOD)は、擬似ラベルに基づくエンドツーエンド手法の開発において大きな進歩を遂げている。 多くの手法は、擬似ラベルジェネレータの有効性を妨げるクラス不均衡のため、課題に直面している。 本稿では,低品質な擬似ラベルの根本原因と,ラベル生成品質を改善するための新しい学習メカニズムについて検討する。
  論文  参考訳（メタデータ） (2023-06-04T06:01:53Z)
• Rapid Adaptation in Online Continual Learning: Are We Evaluating It Right? [135.71855998537347]
  オンライン連続学習(OCL)アルゴリズムの適応性を評価するための一般的な手法を,オンライン精度の指標を用いて再検討する。 空白のブラインド分類器でさえ、非現実的に高いオンライン精度を達成できるため、この指標は信頼できない。 既存のOCLアルゴリズムは、オンラインの精度も高いが、有用な情報の保持は不十分である。
  論文  参考訳（メタデータ） (2023-05-16T08:29:33Z)
• Radio Galaxy Zoo: Using semi-supervised learning to leverage large unlabelled data-sets for radio galaxy classification under data-set shift [0.0]
  電波銀河の形態分類に応用した最先端半教師付き学習アルゴリズム より少ないラベルを持つSSLが、監督された最先端に匹敵するテスト精度を達成できるかどうかをテストする。 改善は限られたラベルボリュームに限定され、低ラベルボリュームでは性能が急速に低下する。
  論文  参考訳（メタデータ） (2022-04-19T11:38:22Z)
• Discriminative Nearest Neighbor Few-Shot Intent Detection by Transferring Natural Language Inference [150.07326223077405]
  データ不足を緩和するためには、ほとんどショットラーニングが注目を集めている。 深部自己注意を伴う識別的近傍分類を提示する。 自然言語推論モデル(NLI)を変換することで識別能力を高めることを提案する。
  論文  参考訳（メタデータ） (2020-10-25T00:39:32Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)
• EHSOD: CAM-Guided End-to-end Hybrid-Supervised Object Detection with Cascade Refinement [53.69674636044927]
  本稿では,エンド・ツー・エンドのハイブリッド型オブジェクト検出システムであるEHSODについて述べる。 完全なアノテートと弱いアノテートの両方で、ワンショットでトレーニングすることができる。 完全なアノテートされたデータの30%しか持たない複数のオブジェクト検出ベンチマークで、同等の結果が得られる。
  論文  参考訳（メタデータ） (2020-02-18T08:04:58Z)

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。