Unsupervised Movement Detection in Indoor Positioning Systems of Production Halls
TU Dortmund University(多特蒙德工业大学);Arnold AG(阿诺德股份公司)
针对生产车间 IPS 原始数据噪声大且存在传感器非预期唤醒的问题,提出融合可视化分析的无监督运动检测统计流程,可区分停止、运动与非预期唤醒并支持在线及离线即席分析。
2023-09-27 cs.LG stat.AP
Neural RF SLAM for unsupervised positioning and mapping with channel state information
Qualcomm Technologies Netherlands B.V.(高通技术荷兰有限公司);Qualcomm Technologies, Inc.(高通技术公司);University of Amsterdam(阿姆斯特丹大学);Qualcomm AI Research(高通人工智能研究院)
我们提出了一个神经网络架构,用于联合学习用户的位置和环境映射到等距,在一个无监督的方式,从信道状态信息(CSI)值没有位置信息。该模型是基于一个编码器-解码器架构。编码器网络将CSI值映射到用户位置。解码器网络通过使用虚拟锚点参数化环境来模拟传播的物理过程。它旨在从编码器输出和虚拟锚点位置重建使用超分辨率方法从CSI提取的飞行时间(ToF)的集合。神经网络任务被设置为预测,并相应地被端到端地训练。所提出的模型学习可解释的潜在,即,用户的位置,通过只强制一个基于物理的解码器。结果表明,所提出的模型实现了亚米级精度的合成光线追踪为基础的数据集与单锚SISO设置,同时恢复环境地图高达4cm的中位数误差在2D环境和15 cm在3D环境
2022-03-15 cs.IT cs.LG eess.SP
Self-Supervised Discovery of Anatomical Shape Landmarks
Scientific Computing and Imaging Institute, University of Utah(犹他大学科学计算与成像研究所);School of Computing, University of Utah(犹他大学计算学院)
统计形状分析在广泛的医学和生物学应用中是非常有用的工具。然而,它通常依赖于产生相对少量的特征的能力,这些特征可以捕获群体中的相关变异性。用于获得这样的解剖特征的现有技术方法依赖于广泛的预处理或分割和/或显著的调谐和后处理。这些缺点限制了形状统计的广泛应用。我们建议,有效的形状表示应该提供足够的信息来对齐/注册图像。利用这一假设,我们提出了一个自我监督,神经网络方法自动定位和检测图像中的地标,可用于后续分析。该网络发现对应于解剖形状特征的界标,这些特征在特定类别的变换的背景下促进良好的图像配准。此外,我们还对所提出的网络提出了一种正则化方法,可以使这些发现的地标均匀分布。在本文中,我们提出了一个完整的框架,它只需要一组输入图像,并产生可立即用于统计形状分析的地标。我们评估的性能幻影数据集以及2D和3D图像。
2020-06-13 cs.CV cs.LG
Siamese Neural Networks for Wireless Positioning and Channel Charting
Cornell University(康奈尔大学);Aalto University(阿尔托大学);University of Maryland(马里兰大学)
最近已经提出了神经网络用于无线系统中的用户设备(UE)的定位和信道制图。这两种方法都处理在多天线基站处获取的信道状态信息(CSI),以便学习将CSI映射到位置信息的函数。使用深度神经网络的基于CSI的定位需要包含CSI和相关联的位置信息两者的数据集。信道制图(CC)仅需要CSI信息来提取相对位置信息。由于CC建立在降维的基础上,因此可以使用自动编码器来实现。在本文中,我们提出了一个统一的架构的基础上,暹罗网络,可用于监督UE定位和无监督信道制图。此外,我们的框架支持半监督定位,在训练过程中只有一小部分位置信息可用。我们使用模拟来证明,暹罗网络实现类似或更好的性能比现有的定位和CC方法与一个单一的,统一的神经网络架构。
2019-09-29 cs.IT cs.LG eess.SP
Heatmap-based 2D Landmark Detection with a Varying Number of Landmarks
Heidelberg University Hospital(海德堡大学医院);University of Applied Sciences, Mannheim(曼海姆应用科学大学)
二尖瓣修复术是一种恢复二尖瓣功能的手术。为了实现这一点,将假体环缝合到二尖瓣环上。分析穿过瓣环穿刺用于环植入的缝合线可用于手术技能评估、定量手术和经由增强现实在场景中定位虚拟假体环模型。这项工作提出了一种神经网络方法,该方法检测二尖瓣修复的内窥镜图像中的缝合线,因此解决了具有不同数量标志的标志检测问题,而不是大多数其他现有的基于深度学习的标志检测方法。神经网络分别在来自不同领域的两个数据汇集上进行训练,具有相同的架构和超参数设置。每个数据集由1,300多个立体帧对组成,总共有60,000多个带注释的地标。所提出的基于热图的神经网络在术中测试数据集上实现了66.68 $\pm$ 4.67%的平均阳性预测值(PPV)和24.45 $\pm$ 5.06%的平均真阳性率(TPR),在手术模拟期间记录的数据集上实现了81.50 \pm 5.77\%的平均PPV和61.60 $\pm$ 6.11%的平均TPR。当摄像机位于二尖瓣上方且照明良好时,可获得最佳检测结果。如果二尖瓣可被很好地感知,则也可以从侧视图进行检测。
2021-01-07 cs.CV cs.LG eess.IV
Landmark Map: An Extension of the Self-Organizing Map for a User-Intended Nonlinear Projection
Chiba University(千叶大学);Center for Frontier Medical Engineering(前沿医学工程中心)
自组织映射(SOM)是一种无监督的人工神经网络,其被广泛用于,例如,数据采掘和可视化。监督学习和半监督学习方法已被提出的SOM。然而,它们的教师标签并不描述数据和节点位置之间的关系。本研究提出了一个地标地图(LAMA),这是一个扩展的SOM,利用几个地标,例如,节点和数据点对。LAMA被设计为获得用户预期的非线性投影,以实现,例如,面向地标的数据可视化。为了揭示LAMA的学习特性,分析了来自UCI机器学习存储库的Zoo数据集和人工共振峰数据集。对Zoo数据集的分析结果表明,LAMA可以提供一种新的数据视图,如以地标为中心的数据可视化。此外,人工共振峰数据分析表明,LAMA成功地提供了预期的非线性投影关节运动与计算机光标的垂直和水平移动。LAMA的潜在应用包括数据采掘、推荐系统和人机交互。
2019-08-20 cs.HC cs.LG cs.NE
Error Mitigation for TDoA UWB Indoor Localization using Unsupervised Machine Learning
Siemens AG(西门子公司)
提出基于 DEC 与 AE 的无监督锚节点选择及簇质量排序方法,以剔除不可信 UWB 信号,显著降低 TDoA 室内定位误差。
2024-04-10 cs.LG
A Survey of Machine Learning Techniques for Improving Global Navigation Satellite Systems
Stanford University(斯坦福大学)
本文综述了机器学习技术(含监督、无监督、深度学习及混合方法)在解决传统基于模型的GNSS定位于挑战环境中适应性不足问题的应用,全面分析了其在信号分析、异常检测及精度增强等方面的优势与挑战。
2024-03-29 cs.AI cs.LG cs.RO
Visible light communication-based monitoring for indoor environments using unsupervised learning
Aalto University(阿尔托大学)
可见光通信(VLC)系统不仅提供照明和数据通信,而且如果适当跟踪不同事件对接收到的光信号的影响,还提供室内监控服务。为此,VLC接收机计算以均衡OFDM信号的子载波的信道状态信息也可以被重新用于训练无监督学习分类器。这样,可以在收集的CSI数据上创建不同的集群,然后可以将其映射到室内环境中要监视的相关事件,例如给定位置中新对象的存在或给定对象的位置的变化。与监督学习算法相比,所提出的方法不需要在训练数据中添加标签,从而显著简化了机器学习分类器的实现。通过一个基于OFDM的软件VLC链路对监测方法进行了实际验证,其中一对光电探测器~(PD)捕获来自磷光体转换LED的强度调制信号的副本。基于VLC的实验性监测演示的性能评估实现了几厘米范围内的定位精度,而无需部署大量传感器和/或在待跟踪对象上添加支持VLC的传感器。
2021-01-20 cs.LG eess.SP
Fractal Autoencoders for Feature Selection
University of Kentucky(肯塔基大学)
特征选择通过识别信息量最大的特征的子集来降低数据的维度。在本文中,我们提出了一个创新的框架,无监督的特征选择,称为分形自动编码器(FAE)。它训练一个神经网络来精确定位信息特征,用于全局可表示性的探索和局部多样性的挖掘。在架构上,FAE通过添加一对一评分层和一个小型子神经网络以无监督方式进行特征选择来扩展自动编码器。有了这样一个简洁的架构,FAE实现国家的最先进的性能,广泛的实验结果,14个数据集,包括非常高维的数据,已经证明了FAE的优越性比现有的当代方法的无监督特征选择。特别是,FAE在基因表达数据探索方面表现出实质性的优势,与广泛使用的L1000界标基因相比,减少了约$15$ \%的测量成本。此外,我们表明,FAE框架是很容易扩展的应用程序。
2022-01-04 cs.LG
Unsupervised Location Mapping for Narrative Corpora
Hebrew University of Jerusalem(耶路撒冷希伯来大学)
本文研究如何无监督地将叙事文本中的地点轨迹映射到空间地图上,提出一种基于大语言模型且无需预定义标签的流水线方法,并在大屠杀证词和英格兰湖区文献上验证了有效性。
2025-04-08 cs.CL cs.LG
DeepBoost-AF: A Novel Unsupervised Feature Learning and Gradient Boosting Fusion for Robust Atrial Fibrillation Detection in Raw ECG Signals
BC Cancer Research Institute(BC癌症研究所)
本研究提出DeepBoost-AF,融合19层深度卷积自编码器与梯度提升模型,实现原始心电图信号的端到端房颤检测,DCAE-LGBM达到95.20%的F1分数和99.99%的灵敏度,满足临床部署需求。
2025-10-07 cs.LG
Pixel Recurrent Neural Networks
Google DeepMind(谷歌DeepMind)
对自然图像的分布建模是无监督学习中的一个标志性问题。这项任务需要一个图像模型,是在一次表达,易处理和可扩展的。我们提出了一个深度神经网络,它可以沿着两个空间维度顺序预测图像中的像素。我们的方法对原始像素值的离散概率进行建模,并对图像中的完整依赖集进行编码。架构新颖性包括快速二维递归层和深度递归网络中剩余连接的有效使用。我们在自然图像上实现了比以前的最新技术水平要好得多的对数似然分数。我们的主要结果还提供了不同ImageNet数据集的基准。从模型生成的样本看起来清晰,多样和全球一致。
2016-08-19 cs.CV cs.LG cs.NE
TraIL-Det: Transformation-Invariant Local Feature Networks for 3D LiDAR Object Detection with Unsupervised Pre-Training
Durham University(杜伦大学)
本文提出TraIL-Det架构与变换不变局部特征,利用LiDAR各向同性辐射适应点密度变化,并结合多头自注意力编码器处理几何关系,在KITTI和Waymo数据集多种标签比例下mAP优于现有自监督3D目标检测方法。
2024-08-25 cs.CV cs.LG cs.RO
Deep Neural Networks Regularization for Structured Output Prediction
Normandie Univ(诺曼底大学);UNIROUEN(鲁昂大学);UNIHAVRE(勒阿弗尔大学);INSA Rouen(鲁昂国立应用科学学院);LITIS(信息处理与系统实验室)
深度神经网络模型是学习表示的强大框架。通常,它用于通过利用输入$x$中的查询来学习关系$x \to y$。在结构化输出预测问题中,$y$是一个多维问题,各维之间往往存在结构关系。这项工作的动机是学习可能存在于输出数据中的输出依赖性,以提高预测精度。不幸的是,前馈网络无法利用输出之间的关系。为了克服这个问题,我们在本文中提出了一个正则化方案,用于训练神经网络,这些特定的任务,使用多任务框架。我们的计划的目的是在学习监督映射函数$x \to y$的同时,以无监督的方式将输出表示$y$的学习纳入训练过程。我们评估我们的框架上的面部地标检测问题,这是一个典型的结构化输出任务。我们在两个公开的具有挑战性的数据集(LFPW和HELEN)上证明,我们的正则化方案提高了深度神经网络的泛化能力,并加速了它们的训练。未标记的数据和标签的数据的使用也进行了探讨,显示了额外的改善的结果。我们提供了我们框架的开源实现(https://github.com/sbelharbi/structured-output-ae)。
2017-10-30 cs.LG stat.ML