アクティブ・パッシブセンシングを用いた学習環境への過剰適合を考慮した屋内位置セマンティクス推定手法

• Item type: Journal(1)
• 公開日: 2017-10-15
• タイトル: アクティブ・パッシブセンシングを用いた学習環境への過剰適合を考慮した屋内位置セマンティクス推定手法
• タイトル / 言語: en
• タイトル: Active/passive Sensing-based Indoor Location Semantics Estimation with Environment Independent Learning
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: [特集：ユビキタスコンピューティングシステム（Ⅵ）] 屋内位置推定，パッシブセンシング，アクティブセンシング
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_6501
• 資源タイプ: journal article
• 著者所属: 大阪大学大学院情報科学研究科
• 著者所属: 大阪大学大学院情報科学研究科／国際電気通信基礎技術研究所
• 著者所属: 大阪大学大学院情報科学研究科
• 著者所属(英): en
• 著者所属(英): Graduate School of Information Science and Technology, Osaka University
• 著者所属(英): en
• 著者所属(英): Graduate School of Information Science and Technology, Osaka University / Advanced Telecommunications Research Institute International (ATR)
• 著者所属(英): en
• 著者所属(英): Graduate School of Information Science and Technology, Osaka University
• 著者名: 立川, 雅也; 前川, 卓也; 松下, 康之
• 著者名(英): Masaya, Tachikawa; Takuya, Maekawa; Yasuyuki, Matsushita
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 近年スマートフォンを用いた屋内位置推定に関する研究が多く行われており，推定される屋内位置情報のうち，「会議室」や「食堂」といった屋内位置セマンティクス情報はライフログや高齢者の見守りなどの様々なアプリケーションのための重要な情報である．一般的な屋内位置のセマンティクスを推定する手法では，対象とする環境ごとに学習用のセンサデータを収集する必要があり導入コストが大きいという問題がある．そこで本論文では，異なる環境において得られた学習データを利用することで，対象とする環境において新たに学習データを収集する必要のない，屋内位置のセマンティクスを推定する手法を提案する．提案手法では，一般的な屋内位置推定で利用されるパッシブセンシングに加えて音声のアクティブセンシングを組み合わせることにより，環境に依存しない特徴量を取得し，他環境から得た学習データを用いて屋内位置セマンティクスを推定する．提案手法では，他環境の学習データに過剰適合しない分類器をランダムフォレスト分類器を基に構築する．評価実験では複数の環境でセンサ情報の取得を行い，提案手法の有効性を検証した．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: In this study, we present a method for estimating a user's indoor location without using training data collected by the user in his/her environment. Specifically, we attempt to predict the user's location semantics, i.e., location classes such as restroom and meeting room. While indoor location information can be used in many real-world services, e.g., context-aware systems, lifelogging, and monitoring the elderly, estimating the location information requires training data collected in an environment of interest. In this study, we combine passive sensing and active sound probing to capture and learn inherent sensor data features for each location class using labeled training data collected in other environments. In addition, this study modifies the random forest algorithm to effectively extract inherent sensor data features for each location class. Our evaluation showed that our method achieved about 85% accuracy without using training data collected in test environments.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AN00116647
• 書誌情報: 情報処理学会論文誌; 巻 58, 号 10, p. 1655-1663, 発行日 2017-10-15
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 1882-7764