Fast Object Localization via Neural Networks

Resumo

A multilateração tem como objetivo determinar a posição de um objeto analisando as medições de distância de vários pontos conhecidos. Apesar de sua ampla aplicação, os métodos tradicionais de multilateração são vulneráveis a observações com ruídos e podem ser custosos do ponto de vista computacional. Esta dissertação propõe o DSM, que integra Deep Sets em arquiteturas de redes neurais para tratar dessas limitações. Os Deep Sets permitem que as redes neurais lidem com um número variável de entradas sem retreinamento, tratando as entradas como conjuntos. Testamos o DSM em conjuntos de dados sintéticos e do mundo real, e ele demonstrou sua capacidade de gerenciar dados ausentes com mais eficácia do que os métodos convencionais. Além disso, nosso método apresentou uma redução notável no tempo de computação em comparação com os outros métodos de multilateração testados. Os resultados indicam que o DSM é um candidato altamente adequado para aplicações em tempo real e em grande escala. O estudo também abre caminhos para pesquisas futuras, incluindo a quantificação da incerteza do DSM.

Ficha do documento

Tipo

Dissertação

Ano

2024

Instituição

Fundação Getulio Vargas

Fonte

Repositório da FGV

Idioma

Inglês

Acesso

Acesso aberto

Identificador

oai:repositorio.fgv.br:10438/35731

Temas

TecnologiaDados

Palavras-chave

MultilaterationLocalizationDeep setsNeural networksMatemáticaRedes neurais (Computação)Inteligência artificialAprendizado do computadorMatemática - Processamento de dados