在这项工作中，我们提出了一种新颖的框架来解决联邦学习（FL）的移动应用程序服务的争吵和隐私问题，考虑到移动用户（MUS）/移动应用程序提供者（MAP），隐私的有限计算/通信资源在贡献数据到地图中的MU中的成本，合理性和激励竞争。特别是，该地图首先基于MUS的信息/特征确定FL过程的一组最佳MU。为了缓解隐私意识的讨论问题，每个选定的MU可以加密本地数据的一部分，并除了本地培训过程之外，还可以将加密数据上载到加密培训过程的地图。为此，每个选定的MU可以根据其预期的培训本地数据和隐私保护的加密数据向地图提出合同。为了找到最佳合同，可以最大限度地利用地图和所有参与峰的同时保持整个系统的高学习质量，首先开发一个基于多个实用程序的基于多个实用程序的基于多项基于的一个基于的基于替代的问题。这些实用程序函数占MUS'隐私成本，地图的计算资源有限，地图和MU之间的不对称信息。然后，我们将问题转换为等同的低复杂性问题，并开发轻量级迭代算法，以有效地找到最佳解决方案。具有真实世界数据集的实验表明，我们的框架可以加快培训时间高达49％，提高预测准确性高达4.6倍，同时增强网络的社会福利，即所有参与实体的总实用性，高达114％与基线方法相比，隐私费用考虑。
translated by 谷歌翻译
本文介绍了一个多模式的室内轨道图数据集，Odombeyondvision，具有不同频谱的多个传感器，并使用不同的移动平台收集。Odombeyondvision不仅包含传统的导航传感器，例如IMUS，机械激光镜，RGBD摄像头，还包括几个新兴传感器，例如单芯片MMWave Radar，LWIR热相机和固态激光雷达。在无人机，UGV和手持式平台上的上述传感器中，我们分别记录了各种室内场景和不同照明条件的多模式探光数据及其运动轨迹。我们释放了示例雷达，雷达惯性和热惯性循环仪的实现，以证明其未来工作的结果，以对其进行比较和改进。包括工具包和文档在内的完整数据集可公开可用：https：//github.com/maps-lab/odombeyondvision。
translated by 谷歌翻译
对不利环境中的行人无处不在的定位服务了很长的挑战。尽管深入学习的戏剧性进展，但多传感器深度测量系统却带来了高计算成本并随着时间的推移遭受累积漂移的错误。由于边缘设备的计算能力越来越多，我们通过在边缘与EKF（扩展卡尔曼滤波器） - 欧拉后端集成了最新的深径测量模型，提出了一种新的无处不在的定位解决方案。我们仔细比较并选择三个传感器模式，即惯性测量单元（IMU），毫米波（MMWAVE）雷达和热红外摄像机，并实现实时运行的深度内径推理引擎。提出了考虑精度，复杂性和边缘平台的深度径流的管道。我们设计一个Lora链接，用于定位数据回程，并将深度内径仪的聚合位置投影到全局框架中。我们发现简单的基于EKF的融合模块足以用于通用定位校准，具有超过34％的精度增长，针对任何独立的深径测量系统。不同环境的广泛测试验证了我们所提出的定位系统的效率和功效。
translated by 谷歌翻译
相机本地化是许多机器人应用的根本和关键问题。近年来，利用基于相机的本地化的深度学习已成为一种流行的研究方向。然而，它们缺乏对大域移位的鲁棒性，这可能是由训练和测试数据集之间的季节性或照明变化引起的。数据增强是一种解决此问题的有吸引力的方法，因为它不需要提供额外的数据。然而，现有的增强方法盲目地扰乱了所有像素，因此无法实现令人满意的性能。为了克服这个问题，我们提出了一个旨在专注于扰动图像的几何信息的系统的系统。因此，它学会生成仍然能够困惑网络的最小图像扰动。我们表明，当这些例子用作增强时，它大大提高了鲁棒性。我们表明，我们的方法优于先前的增强技术，并且在在“看不见”挑战性天气条件上测试时，比SOTA定位模型（例如，ATLOC和MAPNET）高达两倍的准确性。
translated by 谷歌翻译