基于均值教师的室内定位无线指纹半监督学习框架
机器学习
2024-07-19 v1
摘要
Wi-Fi 指纹技术因其广泛的设备可用性而在室内定位中得到广泛应用。然而，传统方法在多建筑和多楼层环境下因可扩展性问题并不理想。因此，越来越多的研究者采用深度学习技术实现可扩展的室内定位。本文引入了一种基于无线接入点选择、噪声注入和均值教师模型的神经网络半监督学习框架，通过利用无标签指纹数据来提升定位性能。该框架能够管理混合 outsourcing 和自愿贡献的数据库，并可在服务期间持续通过新提交的无标签指纹扩展指纹数据库。通过使用 UJIIndoorLoc 数据库对两种既定深度学习模型进行实验验证，检验了本文框架的可行性。实验结果表明，本文框架在以 EvAAL 指标衡量的楼层级坐标估计方面，显著优于基于监督学习的方法，前者分别提升了 10.99% 和 8.98%，后者分别提升了 4.25% 和 9.35%。此外，附加研究还强调了本文框架关键组件的重要性。
引用
@article{arxiv.2407.13303,
title = {Mean Teacher based SSL Framework for Indoor Localization Using Wi-Fi RSSI Fingerprinting},
author = {Sihao Li and Zhe Tang and Kyeong Soo Kim and Jeremy S. Smith},
journal= {arXiv preprint arXiv:2407.13303},
year = {2024}
}
备注
12 pages, 10 figures, under preparation for a journal publication