打破权衡:利用模型内提取的特征进行的高精度室内定位(3D CNN 技术)

《Ad Hoc Networks》:Breaking the Trade-Off: High-Fidelity Indoor Localization Using Intra-Model Distilled 3D CNNs

【字体: 大 中 小 】 时间:2026年04月26日 来源:Ad Hoc Networks 4.8

编辑推荐:

  穆罕默德·里兹万(Muhammad Rizwan)|殷和颖(Yin Hoe Ng)|黄欣荣(Hin-Yong Wong)|陈庆堂(Chee Keong Tan) 多媒体大学人工智能与工程学院,Cyberjaya 63100,马来西亚 **摘要** 可靠的室内定位对于

  穆罕默德·里兹万(Muhammad Rizwan)|殷和颖(Yin Hoe Ng)|黄欣荣(Hin-Yong Wong)|陈庆堂(Chee Keong Tan)
多媒体大学人工智能与工程学院,Cyberjaya 63100,马来西亚

**摘要**
可靠的室内定位对于智能环境至关重要,但由于多路径传播、阴影效应和信号衰减导致接收到的WIFI信号强度波动,这一需求受到了影响。传统的2D卷积网络难以有效捕捉这些时间变化,而3D卷积神经网络(CNN)虽然能够模拟此类动态,但却带来了高昂的计算开销,包括增加的内存占用、推理延迟、CPU/GPU周期消耗以及能耗,这限制了它们在边缘设备和移动平台上的应用。为了解决这一问题,本文提出了一种结合了模型内知识蒸馏(Intra-Model Knowledge Distillation, IMKD)的轻量级3D CNN框架。与传统依赖大型教师-学生范式的知识蒸馏方法不同,IMKD采用了一种自包含的策略,其中网络中最深的分类器作为内部教师,逐步指导较浅层的分类器。这种机制增强了时间特征提取能力,提高了优化稳定性,并在不影响准确性的前提下降低了计算成本。在UJILIB数据集上的数值评估表明,所提出的框架在准确性和平均定位误差方面与普通CNN相当,且在浮点运算计算成本上比普通CNN降低了84%,凸显了其在实时边缘部署中的强大潜力。消融研究进一步揭示了轻量级3D建模与模型内引导的协同效应,为资源受限环境中的未来应用提供了宝贵的设计灵感。通过结合稳健的时间建模和高效的自蒸馏策略,本研究推动了室内定位技术的发展,为下一代智能环境中的快速准确定位提供了一个实用的、可部署的框架。

**1. 引言**
机器学习(ML)和深度学习(DL)极大地改变了现代计算领域,取得了许多关键进展。其中之一就是室内定位系统(Indoor Positioning Systems, IPS),它作为全球定位系统(GPS)的补充而受到重视。与在室内环境中覆盖范围差且不可靠的GPS不同,IPS能够在包括医疗机构、零售中心、机场和工业环境在内的多种场景中实现精确定位[1]。在IPS方法中,利用WIFI、蓝牙和智能手机传感器等无处不在的无线技术的无基础设施解决方案因其成本效益和易于部署而特别吸引人。WIFI接收信号强度指示器(RSSI)指纹识别已成为最广泛应用于室内定位的方法之一,通过将空间坐标与RSS模式关联起来来估计位置。尽管WIFI-RSSI指纹识别为室内定位提供了一种实用解决方案,但其有效性受到了无线电信号固有波动性的限制。由多路径传播、阴影效应、信号衰减和动态环境变化引起的RSSI波动会导致指纹数据不一致,从而影响定位精度和系统的长期可靠性。传统的2D卷积神经网络(CNN)已被用于缓解这些问题,但它们仅将RSSI视为静态空间模式来处理,忽略了信号损伤引入的时间动态性。有效建模这些时间依赖性对于实现稳健的定位至关重要,因为RSSI的波动往往蕴含了区分噪声和定位所需的基本信号模式的判别性线索。

三维卷积神经网络(3D CNN)通过将卷积操作扩展到时间维度,能够共同提取时空特征,更真实地捕捉RSSI信号的变化动态,从而提供了一种有吸引力的解决方案。然而,这种建模优势伴随着显著的计算和内存开销,使得3D CNN在资源受限的边缘设备和移动平台上难以实现实时室内定位。这种表示能力与效率之间的权衡暴露了一个关键的研究空白:需要开发出既能保留3D架构的时间建模优势,又能实现轻量化效率的方法,以满足实际和可扩展的部署需求。

知识蒸馏(Knowledge Distillation, KD)作为一种有前景的策略应运而生,它通过将复杂模型的表示知识转移到紧凑模型中来解决这一空白。传统的离线KD依赖于一个大型预训练的教师网络来监督较小的学生模型,但这增加了训练复杂性、内存需求,并对外部模型产生依赖。随后,提出了在线KD方法来减少对固定教师的需求,通过联合训练多个模型来解决问题;然而,这些方法仍然由于并行优化而带来不小的计算开销,并且在资源受限的环境中常常难以保持稳定性。因此,无论是离线还是在线KD范式,在应用于轻量级3D CNN进行实时室内定位时都面临实际限制。

为了解决轻量级3D CNN中常见的不稳定性和性能下降问题,我们引入了模型内知识蒸馏(Intra-Model Knowledge Distillation, IMKD),这是一种在单一网络内部运行的自包含蒸馏机制。该框架在保留3D CNN的时间建模优势的同时,结合了深度可分离卷积、逐点变换和简化连接等架构优化,大幅降低了计算开销。与传统依赖外部教师模型的知识蒸馏方法不同,IMKD利用模型本身的深层层次作为内部教师,指导较浅层次的分类器分支,从而消除了对额外大型模型的需求,并避免了教师能力和轻量级学生架构之间的不匹配。通过使中间分类器的预测与深层层学习的精炼表示对齐,IMKD稳定了优化过程,减少了预测方差,并提高了准确性,同时不增加推理成本。在UJILIB基准测试上的大量实验验证了所提出框架的有效性,显示出比现有最佳基准更高的定位精度和更低的平均定位误差,以及在浮点运算计算成本上的大幅降低(相比普通模型降低了84%),这体现了其在实时边缘部署中的巨大潜力。

**1.1 相关工作**
基于指纹(Fingerprint, FP)的室内定位研究可以大致分为三个互补的方面:(i)专注于空间特征提取的模型;(ii)结合时空依赖性的模型;(iii)针对计算效率的方法,尤其是时间建模方面的方法。

射频(Radio Frequency, RF)指纹识别由于其 minimum 的基础设施要求和与现有无线网络的兼容性,仍是一种有吸引力的室内定位解决方案。然而,基于RF的定位容易受到多路径效应、阴影效应和信号衰减导致的严重信号波动影响,从而导致显著的定位误差。为了 mitigate 这些问题,研究人员探索了多种深度学习模型来学习复杂的RSSI模式。例如,Sun等人[2]在医院环境中使用蓝牙和磁场数据的混合感知策略评估了一个定制的四层CNN,揭示了RSS信号对医疗设备的敏感性。Nabati和Ghorashi [3]提出了一个结合过去和当前用户状态的框架,以减少实时导航中的漂移。Song等人[4]提出了一种结合无监督堆叠自编码器和监督CNN的混合模型来编码RSS特征并提高定位精度。类似地,Liu等人[5]将基于比率的RSS指纹与原始RSS值结合,使用四层CNN提高了定位的鲁棒性,而Alitaleshi等人[6]开发了一种极值学习机自编码器与2D CNN集成,通过消除反向传播来缩短训练时间,尽管性能提升有限。

尽管取得了这些进展,但仅依赖空间特征的模型仍然难以克服RSS波动引起的性能下降。为此,一些研究开始将时间变化纳入其学习框架。例如,Ren等人[7]提出了一个多组件模型,结合了路径指纹识别、位置嵌入和CNN以及注意力机制,并使用滑动窗口进行时间预处理。Wang等人[8]在IMUWIFINE数据集[9]上使用时间卷积网络(TCN)同时捕获空间和时间维度。Ibrahim等人[10]还通过在不同接入点(APs)上时间堆叠RSS读数来扩展了2D CNN,有效地将时间嵌入到模型的输入表示中。在[11]中,开发了一种带有长短期记忆架构的一维CNN,利用滑动窗口捕获BLE信标的RSSI时间变化。虽然一维和二维CNN在时间扩展方面显示出性能提升,但它们的架构在模拟复杂时间依赖性方面存在固有局限性。这促使人们采用三维CNN(3D CNN),理论上它们在捕捉时间序列RSSI数据的空间和时间变化方面更为有效。例如,Tasaki等人[12]使用带有蓝牙接收器和Raspberry Pi发射器的3D CNN,实现了更好的时间波动建模。另一项研究提出了具有跳过连接和组重排的轻量级3D可分离CNN[13],旨在平衡效率和特征丰富性。在[14]中,提出了受ConvNeXt启发的轻量级3D CNN架构,结合了瓶颈机制和层归一化来提高定位精度,同时使用跳过连接来缓解梯度消失问题并加速收敛。尽管取得了这些进展,但要在不显著降低性能的情况下实现显著的效率提升仍是实时室内定位的一个挑战性课题。

为了解决性能和效率之间的权衡,知识蒸馏(KD)作为一种有前途的范式应运而生。KD通过将大型教师模型的表示知识转移到紧凑模型中来实现这一目标,从而在保持准确性的同时提高效率。这些方法通常分为基于响应的(Response-Based, RKD,通过最后一层的教师输出对齐学生预测)、基于特征的(Feature-Based, FKD[15],在中间特征图上操作)和基于关系的(Relation-Based,扩展监督以捕获层间依赖性[16])。这些方法在活动识别和对象识别等视觉任务中取得了显著成功[17,18]。Ullah和Munir[16]从大型C3D教师模型向轻型学生模型中提取知识,展示了在UCF11[19]、HMDB51[20]和UCF50[21]数据集上的一致性能提升。尽管如此,KD在室内定位中的应用仍相对较少。Aqilah等人[22]最早尝试将RKD与2D CNN结合在一个基于蓝牙的数据集上,成功地提高了定位精度并降低了模型复杂性。随后,在此基础上,[23]提出了一种教师-辅助知识蒸馏(TA-KD)卷积架构,作为更有效的知识转移高级框架。该方法在教师和学生模型之间加入了中间辅助网络,促进了知识的平滑和渐进式转移,TA-KD-CNN在测试精度上相比传统的RKD-CNN提高了59.21%,突显了分层蒸馏策略在增强模型泛化能力方面的有效性。在[24]中,提出了一种轻量级CNN架构,结合了挤压-激励(Squeeze-and-Excitation, SE)模块和迭代自KD(ISKD)机制以及自适应温度参数。SE模块动态校准通道级特征响应以增强显著信息的提取,而ISKD逐步细化模型预测,从而提高了性能。表1总结了现有研究的比较,明确了它们的局限性和所提出框架如何解决这些局限性。相关工作

模型 数据集 输入维度 定位误差(米) 先前工作的局限性 本工作的独特贡献

[2] CNN 自收集 12 × 12 × 10.974 对设备引起的RSS变化敏感;仅空间建模 引入时空3D表示以稳定随时间变化的RSS

[3] DNN 自收集 11 × 11.38 间接解决时间漂移问题;缺乏显式的时间编码 使用3D张量进行显式的时间堆叠,而不是事后漂移校正

[4] SAE-CNN (CNNLoc) UTS IndoorLoc Tampere 589 × 1520 × 1992 × 17.60 11.78 10.88 高维输入;无监督编码器增加了复杂性;没有时间建模 使用紧凑的3D CNN和集成蒸馏来避免高维无监督流程

[5] CNN 自收集 24 × 24 × 13.91 基于比率的RSS提高稳定性,但仍易受多径衰落影响 通过3D卷积而不是比率启发式方法捕获时间波动模式

[6] EA-CNN UJI IndoorLoc Tampere 20 × 26 × 1 30 × 31 × 19.48 6.70 无反向传播提高速度但限制了表示能力;仅空间建模 使用模型内蒸馏在低复杂性下实现更高精度

[7] FSTNet 自收集 5 × 10.48 复杂的多组件流程;需要大量预处理 提供端到端架构,无需手工设计的时间流程

[8] TCN 自收集 22 × 13.73 强大的时间建模但空间编码有限;缺乏效率结构 结合联合时空3D编码和轻量级IMKD设计

[10] CNN UJI IndoorLoc 20 × 26 × 12.77 模拟时间嵌入;不是真正的3D时间结构 使用真正的3D时间体积构建,提高时间保真度

[11] CNN-LSTM 自收集 10 × 11.17 由于滑动窗口,输入特征冗余,增加了不必要的资源使用 3D预处理防止了输入特征的重复使用

[12] CNN 自收集 2 × 4 × 30 × 10.72 以蓝牙为中心;特定于硬件;难以通用到WIFI系统 提供适合大规模WLAN部署的WIFI中心3D建模方法

[13] CNNUJILIB 31 × 20 × 12 × 11.07 轻量级,但模型架构无法根据可用资源进行剪裁 通过模型内蒸馏减少FLOPs、参数和延迟,以实现实时可行性

[14] ConvNeXt UJILIB 31 × 20 × 12 × 11.13 轻量级,但模型性能受计算复杂度影响 提供在不牺牲性能的情况下的轻量级模型

[15] FKD-CNNUJILIB 31 × 20 × 12 × 10.84 KD仅限于基于特征的转移;依赖外部教师网络 引入自蒸馏(无教师)IMKD,完全去除对教师网络的依赖

[22] RKD-CNN 自收集 4 × 4 × 1 ~2.0 KD仅应用于最终层(基于响应);依赖蓝牙数据;有限的空间-时间建模;没有3D表示 引入时空3D WIFI建模和模型内蒸馏,去除对外部教师网络的依赖

[23] TAKD-CNN-IPS Alcala Tutorial 13 × 13 需要教师辅助学生网络;训练复杂性增加;仍然是2D和仅空间建模;未针对实时推理进行优化 提出无教师IMKD,使用单个轻量级3D CNN,减少训练开销同时改进时间建模

[24] ISKD-CNNUJILIB 31 × 20 × 11.33 将Self-KD应用于2D CNN;仅空间建模;缺乏真正的时间编码;处理随时间变化的RSS能力有限 使用3D时间体积构建和渐进式IMKD,增强对RSS动态的鲁棒性和效率

1.2. 动机和贡献

基于Wi-Fi-RSSI指纹的室内定位技术因能够实现智能和上下文感知的服务而受到重视,然而开发高效可靠的室内定位深度学习框架仍然是一个重大挑战。现有方法主要依赖于2D CNN架构,这些架构在真实世界部署中由于多径效应、阴影效应和衰落导致性能下降。虽然3D CNN提供了一种更自然的方式来建模时间变化,但其高昂的计算成本使其在大规模和资源受限的环境中不切实际。轻量级CNN已被提出以减少计算开销,但其预测能力往往受到影响。虽然KD作为一种潜在的解决方案出现,但传统的KD方法需要计算成本高昂的教师-学生设置,这可能限制其在实际部署中的可行性和有效性。

为了解决这些挑战,本研究提出了一个结合了模型内知识蒸馏(IMKD)的新型轻量级3D CNN框架。这是Wi-Fi-RSSI指纹识别领域的首个此类方法,它独特地消除了对外部教师模型的需求,同时有效捕捉时间动态,并且计算需求可行。所提出的工作做出了四个关键贡献,推进了该领域的现状并解决了几个持续存在的挑战。这些贡献如下:

1. 本研究提出了一个增强了IMKD的新型3D CNN框架,其中主干网络的 deepest分类器充当内部教师来指导浅层分类器。这种设计共同解决了两个长期存在的挑战:(i) 使用3D架构建模RSSI信号的时间变化;(ii) 通过轻量级的逐层可分离卷积和模型内知识转移来降低此类架构的高计算成本。

2. 通过与最先进的蒸馏方法(如离线KD和ISKD)进行广泛的基准测试,所提出的方法在关键指标(包括测试精度、测试损失、平均定位误差(APE)和Matthew的相关系数(MCC)方面始终表现出色。最重要的是,所提出的模型比KD和ISKD实现了更紧密的95%置信区间,强调了它们在多次训练中的鲁棒性。

3. 一项详细的消融研究探讨了浅层分类器的最佳设计和KD超参数的微调,识别出最佳架构和训练配置。这项分析不仅验证了IMKD在室内定位中的有效性,还为将蒸馏扩展到其他时间和资源受限任务提供了实用指南。

1.3. 论文组织

本文的其余部分组织如下:第二节讨论所提出的方法论。随后,第三节详细描述了本研究使用的数据集,并介绍了实验设置及其相应的结果。第四节描述了所提出框架的消融研究。最后,第五节总结了本研究的关键发现和贡献。

2. 方法论

2.1. 数据构建和预处理

RSSI指纹是一系列一维向量v,在收集时间τ从R个APs收集得到。对于时间戳τ,FP向量表示为(1)。

vτ,l = [v0τ,l, v1τ,l, v2τ,l,...., vR?1τ,l]

RP l坐标由ql = (locxl, locyl, locfl)表示,其中locxl、locyl和locfl分别表示目标位置的水平和垂直坐标以及楼层编号。为了考虑除空间读数之外的时间变化,一种常用的技术是使用滑动窗口方法,其中定义尺寸的窗口在FP矩阵上以定义的步骤滑动[7],[10]。这种方法的输出是一个类似于窗口定义的2D矩阵,但使用该方法构建的数据是连续的,需要相对较高的内存使用量来记录之前的和当前的RSSI读数。为了解决这个问题,本研究将数据构建为离散形式的3D张量,从而避免特征冗余并确保高效的内存使用。将原始样本预处理为3D张量的步骤取决于两个步骤。首先,在时间实例τ在第l个RP收集的FP被重塑为一个L × M维的2D矩阵,如(2)所示。(2)的形成包括将向量v τ, l切分为L个长度为M的子向量,如图1所示。随后,这些子向量沿行维度堆叠,形成2D表示。

v?τ,l = [v0τ,l, lv1τ,l…vM?1τ,l, lvMτ,lvM+1τ,l…v2M?1τ,l????v(L?1)Mτ,lv(L?1)M+1τ,l…vR?1τ,l]

下载:下载高分辨率图像(888KB)下载:下载全尺寸图像

图1. 将1D向量预处理为3D张量的过程

其次,根据FP在组中的时间排列,将上一步的每个2D矩阵沿第三维度N堆叠,按收集顺序排列,如图1所示。本研究中使用的预处理技术保持了RSSI向量值在空间和时间维度上的唯一性,从而避免了特征冗余。因此,这种方法比[7]和[10]中使用的基于滑动窗口的预处理方法更高效,后者在重叠窗口中固有地引入了重复特征。

3. 框架骨干

本研究利用3D CNN架构高效提取时空特征以实现精确的目标定位。该架构遵循传统的四阶段CNN流程,从输入阶段开始,接着是卷积、池化和分类阶段。在输入阶段,如(1)中指示的训练和测试RSSI向量被预处理并转换为3D张量。然后这些3D张量被输入到卷积阶段,其中使用定义数量的奇数维度(例如,3 × 3、5 × 5或7 × 7)的核来提取特征相关性,线性输出使用激活函数(如修正线性单元(ReLU)或其变体)转换为非线性表示。通常,使用多个卷积层在不同层次提取特征。然而,在更深层次的框架中使用多个卷积层会导致高计算成本;因此,使用池化阶段来降采样特征图。这减少了空间维度,同时保留了最重要的信息,降低了复杂性并增强了特征的鲁棒性。最后,在分类阶段,从之前的卷积和池化层获得的高级特征被展平并通过全连接层传递。这些层将提取的特征映射到输出空间,其中SoftMax或类似的激活函数分配类别概率或预测目标变量。

在这项研究中,开发并优化了一个新型的3D传统架构,以获得最佳性能,如图2(a)所示。该模型由四个3D卷积层组成,每个输入都与3 × 3 × 3的核尺寸卷积,以高效提取特征,同时利用有限的计算资源[13]。每个卷积层之后都跟随批量归一化和参数化的修正线性单元(PReLU)激活函数[25]。批量归一化用于稳定训练过程,加速收敛并提高泛化能力。另一方面,PReLU函数决定了在计算输入的加权和后是否应该激活感知器。随后,在第2、3和4层之后应用最大池化,以消除输入中的冗余特征[13]。最后,嵌入了一个具有512个感知器的密集层的分类块,以精确定位目标位置。

传统的3D CNN框架有效地概括了RSS FP的时空相关性,但这样做是以高昂的计算资源为代价的。因此,在优化架构性能之后,我们进一步优化了框架的效率,如图2(b)所示。为此,第一个之后的所有卷积层都被分为逐层卷积和点对点卷积。逐层卷积通过独立应用单独的滤波器提取空间特征,而点对点卷积使用1 × 1 × 1的核组合这些通道。这种方法有效地减少了计算负载和模型大小。为了补偿这种优化可能导致的性能下降,采用了两种策略:a) ShuffleNet技术[26]和b) 跳过连接[27]。ShuffleNet在逐层卷积之后在定义的四组内打乱提取的特征,以更好地匹配模型的特性与传统架构。此外,分层过程使模型更深,并引入了梯度消失约束。这些约束可以通过结合跳过连接[27]来缓解。框架的其余配置与图2(a)中显示的相同。这种轻量级3D CNN相对于传统CNN的计算复杂性优势使用(3)[13]计算。

(3) O′layer = Olayer′ = 1W + 1K3

在这个上下文中,Olayer′量化了轻量级3D CNN层相对于其传统框架对应物的计算复杂性,由Olayer表示。这里,W表示输出通道的数量,K是通道维度。该方程表明,增加通道数量和核大小可以显著降低模型复杂性,与传统的3D CNN相比。

然而,尽管通过特征洗牌和跳过连接提高了性能,轻量级模型在准确性方面仍不如传统的3D CNN。为了克服这一点,我们将IMKD集成到框架中,以实现与传统框架竞争的性能,同时进一步降低模型复杂性。接下来的部分将详细介绍IMKD到所提出的轻量级框架中的集成。

3.1. 将模型内知识蒸馏集成到轻量级模型中

在传统的KD设置中,训练一个轻量级学生模型(SM)来复制计算成本高昂的预训练教师模型(TM)的输出。然而,所提出的方法通过在模型的中间层直接添加浅层分类器来将IMKD集成到轻量级模型中,如图3所示。这种创新设计允许主干网络的deepest分类器充当内部教师,将其知识直接蒸馏到这些嵌入的浅层分类器中。每个浅层分类器都是一个包含三个不同模块的独立单元:注意力、卷积和分类。如图3所示,注意力模块通过计算输入与其自身提取的特征表示之间的点积来操作。特征提取通过逐层卷积层实现,然后是点对点卷积层。逐层卷积层以步长2降采样输入,然后点对点卷积捕获最具信息量的特征。由此产生的特征随后通过三线性插值进行上采样,以确保在注意力机制内输入和输出之间的维度对齐。卷积模块由一对深度卷积层和点卷积层组成,其配置与主网络骨干中使用的层一致。最后,分类模块通过首先使用平均池化对输入进行下采样来处理输入。然后将特征扁平化,并通过一个包含512个感知器节点的密集层。应用30%的丢弃率以提高泛化能力,模块最终生成预测的目标位置。从模型骨干到浅层分类器的信息蒸馏过程通过以下三个系统化步骤完成:

1. 计算分类损失:第一步涉及计算分类交叉熵损失,表示为ψcategorical。该损失量化了真实标签yj与浅层和骨干分类器生成的预测概率pij之间的差异。数学上可以表示为:(4)ψcategorical=?∑iyjlog(pij)。通过最小化损失,分类器学会为正确的类别标签分配更高的概率,从而提高预测准确性。

2. 计算软概率:在第二步中,获得浅层分类器和骨干分类器的软概率分布。具体来说,给定来自浅层分类器的logits si和来自模型骨干的logits sre,使用(5)和(6)分别计算软概率,其中温度缩放参数为?。(5)ηij=e(si/?)∑k=1ne(sik/?)(6)ηrej=e(sre/?)∑k=1ne(srek/?)。这里,ηij表示第i个浅层分类器对第j个样本产生的软概率分布,而ηrej表示来自模型骨干的相应分布。温度超参数?用于平滑输出分布。

3. 通过KL散度进行知识蒸馏:在第三步中,引入蒸馏损失,表示为ψdistill,以促进从骨干到浅层分类器的知识传递。该损失使用Kullback-Leibler (KL) 散度K来表示,它衡量了浅层分类器ηij和骨干分类器ηrej的软概率之间的差异。其表示为:(7)ψdistill=K(ηij,ηrej)。

知识蒸馏损失:然后通过计算分类交叉熵损失(ψcategorical)和蒸馏损失(ψdistill)的加权和,得到第j个样本的总体KD损失,表示为ψKDj:(8)ψKDj=1K∑iK(1?ρ)ψcategorical(pij,yj)+ρψdistill(ηij,ηrej)。这里,ρ是一个可调的权衡超参数,定义在0 ≤ ρ ≤ 1的范围内,它控制分类损失和蒸馏损失的相对贡献。具体来说,较小的ρ强调通过分类交叉熵损失从真实标签学习。另一方面,较大的ρ优先考虑通过蒸馏与骨干分类器对齐。因此,总体KD目标函数确保浅层分类器从标签的直接监督和骨干的知识传递中受益,实现平衡的学习过程。

将IMKD集成到所提出的轻量级框架中,在使用显著较低的计算资源的情况下,与传统架构相比取得了有竞争力的结果。所提出的方法确保了3D CNN架构在资源受限设备上的实际适用性,而不会影响性能。

图2:下载高分辨率图像(865KB);下载全尺寸图像
图2. 模型框架,(a) 传统架构和 (b) 轻量级架构
图3. 将模型内部知识蒸馏集成到所提出的轻量级3D CNN架构中。

4. 实验

4.1. 实验设置
在这项研究中,我们使用了公开可用的UJILIB数据集[28],该数据集提供了足够的WIFI RSSI样本,适合构建和预处理3D表示。尽管该数据集很有用,但其3D样本的数量相对有限。为了解决这个限制,我们采用了[15]中概述的RSSI增强技术。具体来说,增强操作是在每个参考点(RP)的12个连续RSSI测量值序列上进行的。对于每个增强的样本,从12个样本时间窗口内的每个接入点随机选择一个RSSI值,这个过程重复12次以形成一个新的3D张量。为了增加数据多样性,每个RP重复此过程14次,从而相对于原始3D样本产生14:1的固定增强比率。这种方法在之前的工作中已经得到了广泛评估,并且在可比设置中显示出测试准确率提高了9.76%到18.3%。因为增强的有效性已经得到了全面验证,我们没有在本文中重复完整的增强消融实验;相反,我们应用了相同的、先前经过验证的增强协议,以确保与已建立的结果一致。数据集的统计细节总结在表2中。UJILIB数据集是在Jaume I大学的三楼和五楼收集了25个月的数据。总共包括48个不同的RP用于训练,212个不同的RP用于测试。与之前的工作[29]、[30]和[31]一致,本研究使用了48个在训练和测试集中都出现的重叠RP,以确保与既定基准的一致性和可比性。尽管存在几个知名的WIFI RSSI数据集,如UTSIndoorLoc [4]、UJIIndoorLoc [32]和Temper [33],但它们适用于构建和预处理3D样本的程度有限。这主要是由于类别分布极不平衡和每个RP的样本数量不足等问题。因此,选择UJILIB数据集作为本研究的最佳资源。

表2. 数据集规格

参数 值
面积 308平方米
楼层数量 2
AP数量 620
训练RP数量 48
测试RP数量 212
1D训练样本数量 2254
1D测试样本数量 2996
3D未增强训练样本数量 1879
3D测试样本数量 2497
3D增强训练样本数量 2560

为了严格评估所提出框架在室内定位中的有效性,我们针对几个已建立的最先进基线进行了一系列比较评估,包括传统CNN、轻量级3D CNN、传统KD方法[16]和ISKD方法[34]。在传统KD的情况下,使用预训练的传统3D CNN模型作为TM,两个浅层分类器SC1和SC2作为独立的SM。师生范式使浅层分类器不仅能够从真实标签学习,还能从骨干模型生成的软概率分布中学习。对于ISKD,每个浅层分类器被视为一个独立模型,并在自蒸馏范式下进行迭代训练。在这种设置中,同一个模型在多次迭代中交替充当教师和学生角色,从而逐步提高其预测能力,而不需要外部教师模型。

对于这个实验,UJILIB数据集被分为25601个训练样本和2497个测试样本,如表2中所详细说明的。在训练过程中,使用ADAM优化器[35]进行优化,学习率范围从10^-4到10^-6。每100个样本后使用方程(11)评估损失。此外,每个模型的训练时间范围从100到200个周期,一旦达到最佳性能就停止训练。表3总结了所提出研究中使用的超参数。

表3. 训练配置

超参数 数量
周期数 100-200
批量大小 100
优化函数 Adam
学习率 10^-4 - 10^-6
损失函数 跨熵

推理在配备有第13代英特尔Core i7中央处理单元(CPU)(2.4 GHz)、NVIDIA RTX 4070图形处理单元(GPU)、16 GB随机访问内存(RAM)和1 TB固态硬盘(SSD)的系统上执行。延迟测量使用批量大小为一进行,仅对应于模型前向传递的执行,不包括数据加载和预处理。为了确保稳定的时间结果,每个模型执行500次推理,前50次运行被丢弃以考虑系统预热。报告的推理时间是在剩余450次执行中的平均值。

模型的性能在三个关键维度上进行了检验:预测性能、相关性程度和计算复杂性。更具体地说,预测性能使用多个评估指标进行评估,包括平均测试准确率、楼层准确率和平均定位误差以及测试损失。平均测试准确率A定义为正确预测的目标位置γc与测试样本总数γt的比率,如下所示:(9)A=γc/γt。另一方面,2D APE可以如下计算:(10)e2D=1/D∑d=1D(x?d?x^d)2+(y?d?y^d)2,其中D表示正确预测的楼层样本总数,而(x?d,y?d)和(x^d,y^d)分别表示预测坐标和真实坐标。用于评估楼层准确率和2D APE的伪代码在算法1中提供。

算法1. 评估楼层准确率的伪代码

1: 初始化 Correct_Floor_Predictions = 0
2: 初始化 Total_Samples = 0
3: 对于Samples中的(frames, labels, true_crd)执行
4: C1, C2, C3 = Model(frames)
5: 分类器 = [C1, C2, C3]
6: 对于classification器中的idx, out执行
7: 对于j = 1到length(out)执行
8: Predicted_Label = argmax(out[j])
9: True_Floor = true_crd[j][2]
10: Predicted_Floor = predicted_crd[Predicted_Label][2]
11: 如果 Predicted_Floor == True_Floor 则
12: Correct_Floor_Predictions[idx] = Correct_Floor_Predictions[idx] + 1
13: 结束if
14: Total_Samples = Total_Samples + I
15: 结束for
16: 结束for
17: 结束for
18: 对于每个分类器idx执行
19: Floor_Accuracy[idx] = Correct_Floor_Predictions[idx]/ Total_Samples
20: 结束for
21: Results → Floor_Accuracy 提供了正确的楼层预测比率

随后,我们使用Matthews相关系数(MCC)[36]来评估模型的相关性程度。MCC分数的范围是从-1到+1,其中接近-1的值表示强不相关性,接近+1的值表示强相关性。由于MCC在我们的特定场景中具有更好的区分能力和稳定性,我们选择了它而不是其他指标,如Cohen's Kappa[36]。此外,还评估了测试准确率的置信区间(CI)以量化结果的统计可靠性。95%置信区间是使用Bernoulli比例的正态近似计算得出的。对于在S个测试样本上评估的模型A,区间的半宽如下:(11)z0.975 = A(1?A/S,其中z0.975是双尾95%临界值。还应注意的是,CI仅取决于测试集的大小和观察到的准确性,不依赖于重复训练运行、多个随机种子或重新训练模型。

因此,每个报告的结果对应于在测试集上评估了一次的单个训练模型。随后,使用箱形图来可视化测试样本之间的预测结果分布(即由有限测试集大小引起的经验变异性),而不是多次训练运行或随机初始化的变异性。由于此原因,模型训练期间的随机性不会影响报告的置信区间。

除了评估性能外,还通过计算效率分析来检查框架的实际适用性。计算复杂性以学习参数的数量、浮点运算(FLOPs)、模型大小和推理时间为量度。对于实时推理评估,使用PyTorch Mobile执行模型,这是一个专门为设备上的执行优化的部署导向的运行时。与传统PyTorch库不同,后者主要为高性能计算平台上的训练和实验设计,PyTorch Mobile提供了一个轻量级的运行时,具有较低的开销,能够在代表边缘设备部署的条件下准确测量延迟。这种全面的评估确保了所提出的框架适用于资源受限的设备,使其成为其他最先进架构的可行替代方案。

4.2. 结果和讨论

4.2.1. 性能分析
表4中报告的性能结果表明,在准确性、损失和相关性指标方面存在明显趋势,展示了所提出的IMKD框架的优势。原始CNN建立了最强的准确性基线,为0.7875,但这伴随着较高的计算成本。相比之下,轻量级CNN大幅降低了复杂性,尽管其性能下降到0.7592。传统KD部分弥补了这一差距,SC1和SC2分别实现了0.7750和0.7775的改进准确性。然而,ISKD落后,平均准确率分别为0.7438和0.7671。所提出的基于IMKD的模型,特别是C1的0.7804、C2的0.7800和骨干的0.7833,几乎达到了教师级别的准确性,一直优于传统KD和ISKD,同时保持了轻量级架构的显著效率优势。

表4. 所提出的3D模型与基准的性能评估结果

模型 测试准确率 测试损失 楼层准确率 APE(米)
Vanilla CNN(基线) 0.7875 0.840 0.9945
Lightweight CNN(基线) 0.7592 0.709 0.9987
SC1使用KD [14] 0.7750 0.670 0.9991
SC2使用KD [14] 0.7775 0.6342 0.9995
SC1使用ISKD [31] 0.7438 0.7907 0.9991
SC2使用ISKD [31] 0.7671 0.7941 0.9995
提出的C1 0.7804 0.6536 0.9975
提出的C2 0.7800 0.6507 0.9987
提出的骨干 0.7833 0.6516 0.9979

测试损失的趋势进一步证实了这一观察结果。尽管普通的CNN在准确率上表现优异,但其损失值最高,达到0.8400,这表明其置信度分数没有得到很好的校准。传统的KD方法产生了最低的损失值,尤其是SC2,其分数为0.6342,这突显了教师引导的软目标的好处。值得注意的是,所提出的IMKD模型在损失值上几乎相同,范围从0.6536到0.6516,证实了所提出的IMKD方法在提高优化稳定性方面同样有效,而且不需要外部教师。同样值得注意的是,所有考虑的模型都实现了异常高的基础准确率,始终保持在0.9900以上。这表明即使是非常轻量级的设计也足以用于粗略级别的室内定位。这种一致性表明,改进应该主要通过细粒度的定位指标来评估,而不仅仅是基础检测。通过APE指标进行的细粒度评估显示,轻量级的CNN基线的错误率为0.7116米,而普通的CNN的错误率显著较低,为0.6156米。基于KD的模型有所改进,APE值在0.64310到0.6588之间,而ISKD的表现较弱(0.6869-0.7405)。相比之下,所提出的IMKD变体的APE值为0.6627-0.6564,接近于普通CNN的性能,并且优于KD和ISKD。这些结果表明,通过模型内蒸馏训练的浅层分类器可以有效提高空间精度。此外,MCC提供了一个平衡的指标,用于衡量不同类别之间的预测相关性。虽然普通CNN的得分最高,为0.7832,但所提出的模型的表现也相当,其中C1为0.7768,C2为0.7796,骨干网络为0.7816。值得注意的是,IMKD分类器的MCC值超过了KD(0.7693和0.7744)和ISKD(0.7305和0.7396),表明所提出的方法不仅缩小了与教师模型的性能差距,还实现了更好的类别平衡和泛化能力。鉴于MCC对类别不平衡的敏感性,这些结果凸显了IMKD在实际部署中的稳健性,尤其是在定位类别分布不均匀的情况下。图4中显示的95%置信区间提供了关于模型可靠性的额外视角。普通CNN的置信区间较窄,表明其性能稳定,而轻量级CNN的置信区间较宽,这与它的较低准确率和较高的初始化敏感性一致。传统KD的置信区间相对较宽,特别是对于SC2,表明在多次训练中的不稳定。ISKD不仅产生了较低的平均准确率,还表现出较宽的置信区间,表明其鲁棒性较低。相比之下,所提出的IMKD分类器实现了更高的平均准确率,同时保持比KD和ISKD更紧的置信区间,强调了它们的稳定性。这种效果在Classifier-1和Classifier-2中尤为明显,它们的置信区间几乎与普通CNN教师模型的置信区间重叠,表明模型内蒸馏有效地平衡了效率和可重复性。

下载:下载高分辨率图像(235KB)
下载:下载全尺寸图像

图4. 所提出框架与现有技术相比的置信区间。

图5展示了不同模型在楼层3和5上的APE分布。普通CNN(图5a)表现出最大的变异性和多个高错误热点,反映出其对多路径和非视距(NLOS)条件的敏感性。传统KD(图5b-5c)减少了这种变异性,即SC2的表现优于SC1,但局部的高错误点仍然存在。迭代自KD(图5d-5e)进一步稳定了预测并减少了极端异常值,尽管仍有一些RP记录了显著较高的错误,特别是在更具挑战性的区域。相比之下,所提出的IMKD架构(图5f)产生了最一致和紧凑的APE轮廓:平均错误较低,错误的空间分布比其他方法更为紧密,高错误热点也少得多。这种跨RP的均匀性表明,结合3D时空骨干网络和模型内蒸馏可以有效地减少信号波动的影响,并增强鲁棒的局部预测,即在评估的模型中提供了最佳的空间可靠性。

下载:下载高分辨率图像(1MB)
下载:下载全尺寸图像

图5. (a)普通CNN,(b)使用KD的SC1,(c)使用KD的SC2,(d)使用ISKD的SC1,(e)使用ISKD的SC2,以及(f)所提出的IMKD架构的每个RP的APE。

4.2.2. 计算分析
评估模型的计算特性在表5中进行了总结。普通CNN基线的参数数量最多,为0.699M,FLOPs为50.9M,内存占用为2.85MB,平均每个样本的推理时间为7.65毫秒。虽然这种配置提供了强大的预测性能,但其计算需求和相对较高的延迟限制了其在实时或资源受限的室内定位应用中的适用性。相比之下,轻量级CNN基线的参数数量减少到0.598M,FLOPs减少到8.22M,模型大小仅为1.68MB,平均推理时间为2.36毫秒。与普通CNN相比,FLOPs大约减少了6.2倍,存储需求减少了41%,同时延迟也降低了约3.24倍。然而,如前所述,这些效率的提升是以准确率的下降和泛化能力减弱为代价的。对于传统的KD和ISKD方法,参数数量分别减少到0.5930M和0.5951M,模型大小分别为1.51MB和1.67MB。同样,FLOPs也在7.82M-8.22M的范围内。它们的推理时间范围从1.73毫秒到2.32毫秒不等,即SC1为1.73毫秒,SC2为2.32毫秒,表明蒸馏使得设计出计算占用低且延迟低的浅层分类器成为可能。尽管如此,这两种方法在预测可靠性方面仍然不及所提出的方法。

表5. 与基准相比的3D提出模型的计算分析

模型 参数数量 FLOPs 模型大小(MB) 推理时间(毫秒)
普通CNN(基线) 0.699 50.9 2.85 7.65
轻量级CNN(基线) 0.598 8.22 1.68 2.36
使用KD的SC1 [14] 0.593 7.82 1.51 1.73
使用KD的SC2 [14] 0.595 8.22 1.67 2.32
使用ISKD的SC1 [31] 0.593 7.82 1.51 1.73
使用ISKD的SC2 [31] 0.595 8.22 1.67 2.32
提出的C1 0.593 7.82 1.51 1.73
提出的C2 0.595 8.22 1.67 2.32
提出的骨干网络 0.598 8.22 1.68 2.36

所提出的IMKD分类器(C1、C2)的参数数量为0.5930M和0.5951M,模型大小为1.51MB-1.67MB,同时FLOPs保持在7.82M–8.22M范围内。重要的是,IMKD的测量推理时间为1.73毫秒(C1)和2.32毫秒(C2),而IMKD骨干网络与轻量级基线的时间相同,为2.36毫秒。这些资源需求与传统KD和ISKD几乎相同,但所提出的模型提供了更高的准确率、更低的定位误差和更高的MCC。特别是C1提供了最佳的延迟,即1.73毫秒,同时在紧凑模型中保持了最强的预测性能,计算时间大约提高了4.4倍。总体而言,这项分析表明,所提出的IMKD框架在计算效率和预测准确性之间取得了良好的平衡。通过仅使用普通CNN 16%–17%的内存占用和大约6倍少的FLOPs,实现了接近教师水平的准确率,为实时室内定位提供了一个实用且可扩展的解决方案,特别是在处理和存储能力有限的边缘设备上。

5. 消融研究
5.1. 架构配置
消融研究说明了不同配置如何影响计算效率和预测性能之间的权衡。在基线配置(IMKD_V1)中,三个辅助分类器被分别连接到骨干网络的逐渐 deeper 层。这种多分支设计提供了层次化的监督,使浅层和中间层也能从蒸馏信号中受益。表6中的结果显示,准确率从最浅分支的70.71%稳定提升到最深分支的78.00%,证实了特征图的累积细化产生了更强的判别表示。

表6. 消融研究
模型 优化参数 分类器数量 准确率?ρ
Classifier 1 2.5 0.25 3(位于最后一个卷积层)
Classifier 2 2.5 0.25 2(位于倒数第二个卷积层)
Classifier 3 2.5 0.25 1(位于倒数第三个卷积层)
IMKD_V1 2.5 0.25 0.70 71
IMKD_V2 2.5 0.25 0.76 88
IMKD_V3 2.5 0.25 0.78 80
IMKD_V4 2.5 0.15 2(位于最后两个卷积层)

当辅助分类器的数量减少时,明显的权衡变得明显。IMKD_V2变体在倒数第二个卷积块使用了一个辅助分类器,在最终分类器的准确率达到了78.54%,表明在较深层应用监督可以有效规范学习过程,同时避免了与多个分支相关的额外计算成本。另一方面,IMKD_V4配置在最后两个卷积层使用了两个辅助分类器,代表了浅层监督和完全多分支设计之间的平衡折中。这种两分支配置始终产生超过78%的准确率,表明适度的层间监督可以在不增加模型负担的情况下实现一致的改进。有趣的是,IMKD_V3在第三个卷积块使用了一个辅助分类器,也取得了良好的结果(第一个分类器72.96%,最深层分类器78.58%)。这些结果表明,在网络层次结构中稍微提前引入辅助监督仍然可以提供有意义的指导,尤其是在与适当的蒸馏策略结合使用时。总的来说,消融研究证实了辅助分类器的数量和位置对整体模型性能有关键影响。多分支设计,如IMKD_V4,有助于逐步细化中间特征表示,并一致提高预测准确性。然而,这些好处是以增加的计算和架构复杂性为代价的。相比之下,将辅助监督放在更靠近最深层的分支配置提供了更具成本效益的替代方案,实现了具有竞争力的准确率,同时最小化了额外开销。这些互补的设计选择强调了框架的灵活性,使从业者能够根据实际室内定位系统的计算约束和部署要求定制模型复杂性。

除了室内定位之外,这些消融洞察对于其他时空学习任务(如视频异常检测)也具有相关性。在这种情况下,早期或中间的监督有助于稳定时间特征学习,提高对罕见或微妙异常的鲁棒性,而更深层次的监督则关注高层次的语义模式。所证明的监督深度和效率之间的平衡表明,所提出的IMKD设计原则可能适用于基于视频的异常检测和类似的时间嵌入,其中层次化的时间细化和计算效率同样关键。最后,虽然像基于 transformer 或循环模型的现代范式理论上可以作为比较点,但由于它们更高的计算和内存需求,这些范式没有被包括在本研究中。先前的文献显示,Transformer架构随着序列长度的增加而具有二次方复杂性,而像LSTMs这样的循环模型则具有较高的推理延迟和优化开销[37],[38]。这些特性使它们不适用于实时、资源受限的室内定位,其中轻量级架构是必不可少的。因此,消融研究有意集中在基于所提出的IMKD的3D CNN的变体上,以符合实际部署要求。

5.2. 超参数调整
除了架构配置之外,所提出的IMKD框架的性能还高度依赖于蒸馏超参数的仔细调整,特别是温度(?)和平衡因子(ρ)。图6中展示的雷达图说明了分类器性能对这些参数变化的敏感性。温度 ? 调节了软化输出分布的平滑度,较高的 ? 值鼓励更软的概率分布,从而暴露出更丰富的类间相似性信息,可以指导学生模型提高泛化能力。同时,平衡因子 ρ 决定了蒸馏损失在整个训练目标中的相对权重。通过调整 ρ,可以有效地控制教师监督信号的强度相对于标准分类损失,从而影响学生模型在优化过程中优先考虑教师指导的程度。

下载:下载高分辨率图像(688KB)
下载:下载全尺寸图像

图6. 每种IMKD架构配置的超参数调整。

实验结果一致表明,适度的参数值,特别是 ? 在2.0-2.5范围内,以及 α 在0.20-0.25范围内,能够产生最稳定和可靠的改进。例如,在双分类器设置(IMKD_V4)中,当 ? =2.5 和 ρ =0.15–0.25 时观察到最佳性能,浅层和深层分类器都实现了平衡的收敛,准确率均超过78%。这些发现强调了当使用适度设置时,该框架对参数变化的鲁棒性。相反,更极端的配置,如 ? =3.0,ρ =0.25,会对浅层分类器产生不利影响,因为过度平滑的概率分布削弱了早期特征图中监督信号的强度,从而降低了它们的判别能力。另一个关键观察是,不同深度的分类器对蒸馏超参数的敏感性不同。浅层分类器受益于稍低的 ? 值,这会产生更尖锐的概率分布,从而在训练期间提供更强的纠正信号。相比之下,深层分类器更喜欢较高的 ? 值,因为由此产生的更平滑的分布更好地保留了细粒度的类间关系结构,这对于高级表示学习至关重要。雷达图进一步证实,在调整得当的条件下,浅层分类器和深层分类器之间的性能差距显著缩小,这反映了网络深度间知识一致性的提高。这些发现强调了共同调整?和ρ的必要性,而不是孤立地优化每一个参数,因为它们的相互作用决定了指导精度与关系平滑性之间的权衡。总体而言,调整实验表明,当蒸馏参数配置得当时,模型内部的蒸馏能够提升模型的泛化能力。所提出的框架不仅提升了最深层分类器的性能,也增强了中间层的性能,从而有效减少了对手动层的依赖,并提高了实际室内定位任务的鲁棒性。

5.3 基于WIFI的室内定位中固有的挑战
尽管所提出的基于IMKD的3D CNN框架在高效WIFI指纹室内定位方面取得了进步,但它仍然面临着该领域几个众所周知且持久的挑战。其中一个挑战是设备异构性,用户硬件、天线特性和信号处理流程的变化会在训练和部署场景之间引入分布差异[5]。此外,高环境动态性,包括人类移动、家具重新排列和时间信号漂移,持续影响RSSI的稳定性。虽然所提出的时空建模和模型内部蒸馏增强了对抗短期波动的鲁棒性,但长期环境演变仍然是基于指纹系统的开放性研究挑战[14],[7]。此外,对WIFI RSSI的依赖使系统容易受到物理层问题的影响,如严重的多径衰落、干扰和时间信号衰减,这些问题仅靠基于学习的方法难以完全缓解。尽管所提出的时空建模和IMKD增强了对抗短期波动的鲁棒性,但在高度变化的环境中处理这些低级信号动态性仍然是一个开放性的研究挑战。

另一个重要的考虑因素是可扩展性和基础设施依赖性。所提出的框架仅在UJILIB数据集上进行了评估,选择该数据集是因为它适合构建时空3D张量。然而,其有限的规模和地理多样性可能会限制研究成果在更大、更复杂或结构不同的室内环境中的泛化能力。随着室内定位系统扩展到更大的区域、多层建筑或多栋建筑,数据收集、标记工作以及跨异构环境的模型泛化方面将面临挑战。此外,RSSI指纹识别的有效性受到AP密度和空间覆盖范围的影响。所提出的3D表示方法在AP分布适中且均匀的环境中受益,例如UJILIB,这种环境提供了足够的信号多样性以实现稳定的特征学习。相比之下,非常稀疏的AP部署可能会降低空间粒度,而极端密集的部署可能会增加复杂性。这些因素反映了基于WIFI的定位系统更广泛的系统级约束,而不仅仅是所提出的IMKD框架的局限性,这也促使人们继续研究更具适应性和可扩展性的室内定位解决方案。

6. 结论与未来工作
本研究提出了一个新颖的基于模型内部蒸馏的3D CNN框架,用于基于WIFI-RSSI指纹的室内定位,旨在解决与信号波动、计算密集型3D架构以及传统教师-学生知识蒸馏效率低下相关的持续性问题。通过将浅层分类器直接嵌入到主干网络中,并实现渐进式的模型内部蒸馏,该框架在保持轻量化和计算效率的同时,能够有效捕捉时间信号的变化。在UJILIB基准测试上的广泛实验验证表明,所提出的框架在多个评估指标(包括准确性、APE、MCC和95%置信区间)上始终优于传统的KD和ISKD基线。此外,该模型在FLOPs、参数数量和内存占用方面实现了六倍以上的效率提升。消融研究进一步证实了所提出设计的稳定性和可靠性,增强了框架的鲁棒性和泛化能力。除了达到先进的性能之外,这项工作还标志着室内定位研究的一个范式转变,从依赖外部教师模型和计算密集型架构转向为现实世界约束优化的可部署、自我蒸馏的网络。所提出的模型不仅提高了准确性和可靠性,还为未来的边缘计算和移动计算平台提供了可扩展的解决方案。随着室内定位在智能城市、上下文感知服务和自主系统等新兴应用中的重要性不断凸显,所提出的框架为平衡保真度、效率和实用性树立了新的标杆。未来的研究可以探索将所提出的框架扩展到更大、更多样化的室内环境,研究跨设备的鲁棒性,并整合互补的传感模式,以进一步提高对环境动态和基础设施变化的抵抗力。

CRediT作者贡献声明
Muhammad Rizwan:撰写 - 原始草案、可视化、验证、软件、方法论、调查、形式分析。
Yin Hoe Ng:撰写 - 审稿与编辑、监督、项目管理、方法论、调查、资金获取、形式分析、概念化。
Hin-Yong Wong:撰写 - 审稿与编辑、监督、调查、形式分析。
Chee Keong Tan:撰写 - 审稿与编辑、调查、形式分析。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号