本文提出了一种利用普通地面图像和低精度手机 GPS 训练地理空间深度神经网络以准确预测车辆地理位置 (纬度和经度) 的方法。我们在一个公开数据集和我们自己采集的在雾都旧金山市中心的图像上验证了该方法，结果表明模型可以在实际业务应用中足够预测质量位置，同时避免了使用地图或 SFM 模型的当今经典视觉定位或姿态估计方法所遇到的问题。

Apr, 2018

借助深度学习算法，使用智能手机相机图像对室内旅游景点进行定位，无需额外投资，并在巴西的真实场景中评估了该方法的可行性。

Mar, 2024

本研究提出了一种基于多头注意力神经网络的室内定位框架，能够有效应对智能手机设备异构性导致的 RSSI 信号特性差异问题，并在多样化的室内环境中，相比于现有技术，提升了高达 35% 的定位准确性。

May, 2022

本文研究使用深度神经网络来提高室内定位系统的可靠性和准确性，以 WiFi 信号为主要定位模式，并利用 UJIIndoorLoc 数据集进行实验和验证。

Nov, 2016

该论文提出了一种利用手机内置的加速度计传感器数据来识别用户身份的方法，通过建立一个随机森林分类模型，从步行数据样本中提取时间和频率信息特征。实验结果表明，该模型具有 0.9679 的准确率和 0.9822 的曲线下面积（AUC），可为智能手机提供一种低成本、高效的用户身份认证方法。

Nov, 2017

利用智能手机上的多个传感器学习数据以检测人体与移动设备的三维空间接近性，以提供非侵入式医疗诊断信息。该预测技术实现了高达 88.75％的准确度和 88.3％的特异性。

Dec, 2015

该研究提出了一种分布式的基于手机的环境温度估计系统，能够通过多台手机的协作来准确测量室内空间中每个小区域的环境温度。此外，它还提供了一种安全、高效和经济的训练策略，为每个新增加的手机训练一个新的估计模型，消除了手动收集标记数据的需求。这种创新的训练策略可以仅通过 5 个数据点和几次迭代为新手机生成一个性能良好的估计模型。同时，通过众包，我们的系统自动为所有新增收集的数据提供准确的推断标签。最后，我们还强调了将联邦学习集成到我们的系统中以确保隐私保护的潜力。我们相信该研究有助于推动基于手机的环境温度测量的实际应用，促进建筑节能。

Apr, 2024

基于嵌入式传感器的跌倒检测是近年来的一个实际且流行的研究方向，本文构建了一个完整的系统 TSFallDetect，利用时间序列数据提出了一个新的基于深度学习模型的跌倒预测方法，通过实证研究表明该深度学习模型在跌倒检测领域具有更多的潜在优势。

Feb, 2024

本文提出了一种基于视觉转换神经网络的新型框架 VITAL，该框架可以减少智能手机异构性引起的不确定性，在提高本领域已有的最佳结果的基础上，将定位精度从 41% 提高到 68%。同时，我们还证明了该方法的普适性，并提出了一种数据增强技术，可以集成到大多数基于深度学习的定位框架中，以提高准确性。

Feb, 2023

作者提出了一种多功能跨学科框架，用于基于概率推理的数学方法对个体用户进行建模，机器学习对用户特定的用户交互进行建模，以及引入了渐进提升和 AdaBoost 算法等多个算法以实现室内定位。该框架引入了两种新功能，可为室内定位提供语义上下文，并在收集了 254 个室内区域的五层楼内的 18 个不同用户的大量数据集的基础上进行了测试。实验结果表明该模型的室内定位始终比传统模型更准确。

Jul, 2022