Sep, 2023

基于似然性的专家支持分布式学习算法的物联网系统传感器校准

PDF
TL;DR该研究针对传感器技术的重要任务，提出一种利用专家知识改进的仿射变换方法，可用于软件校准、基于专家的适应以及联邦学习方法。研究通过模拟和实际数据实验评估了这个解决方案在一个有 8 个相同传感器的多传感器板上的效果，结果显示在模拟和实验数据中都有所改进。
sensor technologyadaptation proceduresaffine transformationsoftware calibrationfederated learning
发现论文，激发创造
  • 使用优化理论和自监督学习的物理和语义信息多传感器校准

    提出了一种基于自监督学习和直接在线优化的方法，通过将三项传感器（相机，雷达和激光雷达）的物理特性和语义信息，综合校准实现无目标的校准，以实现安全可靠的自动驾驶技术。

    Jun, 2022

  • 针对分布偏移的天气预报改进的稳健校准

    通过使用专家混合技术和计算机视觉领域的先进数据增强技术，结合对预测不确定性的稳健后期校准，我们可以在表格数据的深度神经网络中实现比提升树模型更准确和更好校准的结果，从而改进领域外天气预测和不确定性估计。

    Jan, 2024

  • 评估机器学习方法以解决物联网传感器漂移问题

    本文研究了多种机器学习方法处理各种行业和应用中传感器漂移问题的能力，并在公开可获得的气体传感器数据集上测试了这些方法，结果表明这些方法在传感器漂移问题上存在明显的性能下降。

    Sep, 2021

  • 自动驾驶中多模态对齐偏差的目标检测重新校准方法

    多模式物体检测中的标定问题对传感器之间的融合至关重要，本研究通过实验证实了标定偏差对检测性能的严重影响，并提出基于语义分割的重新标定模型，以提高多模式标定偏差的性能和鲁棒性。

    May, 2024

  • 一个全球性的多单元校准方法用于大规模物联网颗粒物监测系统的部署

    基于低成本颗粒物传感器的 IoT 空气质量多传感器设备的全局校准方法可大规模部署准确的 IoT 空气质量监测设备，降低校准成本，并实现个人暴露监测应用的即时准确读数和降低远程数据传输需求。

    Oct, 2023

  • 用于工业物联网的自适应联邦学习和数字孪生

    本研究提出了一种数字孪生的工业物联网新架构，通过可信的协作聚合机制，自适应地控制分布式学习频率并异步聚类，来提高学习性能，从而优化其工业 4.0 的应用效果。

    Oct, 2020

  • 神经校准通讯的学习：可扩展性与泛化

    本文提出了一种可扩展和通用的神经校准框架，其中采用神经网络来校准传统基于模型的算法的输入，应用于解决大规模 MIMO 系统中的资源管理问题，并表明与现有的基于学习的方法相比，提出的神经校准方法具有更好的可伸缩性和普适性。

    Oct, 2021

  • 无线传感器网络中的分布式学习

    本论文回顾了作者们在无参数统计的经典工作的基础上所考虑的一些分布式学习模型，这些模型适用于无线传感器网络等应用。

    Mar, 2005

  • 从混沌到校准：一种基于几何互信息的无目标相机 - LiDAR 外部标定方法

    无需训练数据、人工设计特征或离线优化的无目标外参校准算法，能够准确、精确且极其鲁棒地融合多个传感器的数据到共同的空间参考框架中，利用几何特征提供了稳健的用于相机 - 激光雷达外参校准的信息度量。

    Nov, 2023

  • Field-aware Calibration：可靠概率预测的简单有效方法

    本文提出了一种新的评估指标，称为 “field-level calibration error”，用于衡量决策者关注的敏感输入领域中预测偏差，提出了一种名为神经校准的后续校准方法，使用验证集中的领域感知信息进行校准，并通过实验证明其对常见度量（如负对数似然、布里尔分数和 AUC）以及所提出的 “field-level calibration error” 指标的校准性能得到了显著提高。

    May, 2019