基于图位置网络的零样本多视角室内定位
计算机视觉与模式识别
2020-08-07 v1 机器学习
图像与视频处理
摘要
室内定位是基于位置应用中的基本问题。当前解决该问题的方法通常依赖射频技术，不仅需要配套基础设施，还需人工测量与校准信号。此外，现有方法对所有位置的数据采集不可或缺，这反过来阻碍了其大规模部署。本文提出一种基于神经网络的新型架构——图位置网络（GLN），以执行免基础设施、基于多视角图像的室内定位。GLN 通过消息传递网络从图像中提取鲁棒的位置表示，并据此进行位置预测。进一步，我们引入一种新颖的零样本室内定位设定，并通过将所提 GLN 扩展为专用的零样本版本来解决该问题，该版本利用一种新颖机制 Map2Vec 来训练位置感知嵌入并对未见的新位置进行预测。我们的大量实验表明，所提方法在标准设定下优于最先进方法，即使在半数位置数据不可用的零样本设定下也取得了可观的精度。源代码与数据集公开于 https://github.com/coldmanck/zero-shot-indoor-localization-release。
引用
@article{arxiv.2008.02492,
title = {Zero-Shot Multi-View Indoor Localization via Graph Location Networks},
author = {Meng-Jiun Chiou and Zhenguang Liu and Yifang Yin and Anan Liu and Roger Zimmermann},
journal= {arXiv preprint arXiv:2008.02492},
year = {2020}
}
备注
Accepted at ACM MM 2020. 10 pages, 7 figures. Code and datasets available at https://github.com/coldmanck/zero-shot-indoor-localization-release