Fast Object Localization via Neural Networks

Detalhes bibliográficos
Ano de defesa: 2024
Autor(a) principal: Ribeiro, Mariana Neves Ferreira
Orientador(a): Mesquita, Diego Parente Paiva
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: eng
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Inglês:
Multilateration
Localization
Deep sets
Neural networks
Link de acesso: https://hdl.handle.net/10438/35731
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.
id FGV_c836ab32e89a57a0ecb0e01d7af7e1ba
oai_identifier_str oai:repositorio.fgv.br:10438/35731
network_acronym_str FGV
network_name_str Repositório Institucional do FGV (FGV Repositório Digital)
repository_id_str
spelling Ribeiro, Mariana Neves FerreiraEscolas::EMApOliveira, Dário Augusto BorgesGomes, João Paulo PordeusMesquita, Diego Parente Paiva2024-08-16T13:09:42Z2024-08-16T13:09:42Z2024-07-31https://hdl.handle.net/10438/35731A 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.Multilateration aims to determine the position of an object by analyzing distance measurements from multiple known points. Despite its widespread application, traditional Multilateration methods are vulnerable to noisy observations and can be computationally costly. This dissertation proposes the Deep Set Mutilateration Neural Network (DSM), which integrates Deep Set structures into neural network architectures to address these limitations. Deep Sets allow neural networks to handle a variable number of inputs without retraining by treating sets as inputs. We tested DSM on synthetic and real-world datasets, and it showed its ability to manage missing data more effectively than conventional methods. Furthermore, our method showed a remarkable reduction in computational time compared to the baselines. Results indicate that DSM is a highly suitable candidate for real-time and large-scale applications. The study also opens avenues for future research, including quantifying DSM’s uncertainty.engMultilaterationLocalizationDeep setsNeural networksMatemáticaRedes neurais (Computação)Inteligência artificialAprendizado do computadorMatemática - Processamento de dadosFast Object Localization via Neural Networksinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional do FGV (FGV Repositório Digital)instname:Fundação Getulio Vargas (FGV)instacron:FGVORIGINALMariana_mestrado_emap_pronto.pdfMariana_mestrado_emap_pronto.pdfPDFapplication/pdf1262091https://repositorio.fgv.br/bitstreams/b708d44d-b498-42c2-8a5e-09468f8d0b24/downloadefe17e9b0c2f277bc03d6873a3e89e4aMD51LICENSElicense.txtlicense.txttext/plain; charset=utf-85112https://repositorio.fgv.br/bitstreams/305cb57b-fcff-4719-8f4f-793c920af9e2/download2a4b67231f701c416a809246e7a10077MD52TEXTMariana_mestrado_emap_pronto.pdf.txtMariana_mestrado_emap_pronto.pdf.txtExtracted texttext/plain43709https://repositorio.fgv.br/bitstreams/6708f003-4a86-47d6-b556-c3731cacc03f/download42d8020daece91662f9a159b74debbdfMD54THUMBNAILMariana_mestrado_emap_pronto.pdf.jpgMariana_mestrado_emap_pronto.pdf.jpgGenerated Thumbnailimage/jpeg2730https://repositorio.fgv.br/bitstreams/5a1e71ab-375c-4977-970b-defd3bf91ef6/downloada844680976e66d010ea8c343c8b4dc4dMD5310438/357312024-08-17 03:01:32.51open.accessoai:repositorio.fgv.br:10438/35731https://repositorio.fgv.brRepositório InstitucionalPRIhttp://bibliotecadigital.fgv.br/dspace-oai/requestopendoar:39742024-08-17T03:01:32Repositório Institucional do FGV (FGV Repositório Digital) - Fundação Getulio Vargas (FGV)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
dc.title.eng.fl_str_mv Fast Object Localization via Neural Networks
title Fast Object Localization via Neural Networks
spellingShingle Fast Object Localization via Neural Networks
Ribeiro, Mariana Neves Ferreira
Multilateration
Localization
Deep sets
Neural networks
Matemática
Redes neurais (Computação)
Inteligência artificial
Aprendizado do computador
Matemática - Processamento de dados
title_short Fast Object Localization via Neural Networks
title_full Fast Object Localization via Neural Networks
title_fullStr Fast Object Localization via Neural Networks
title_full_unstemmed Fast Object Localization via Neural Networks
title_sort Fast Object Localization via Neural Networks
author Ribeiro, Mariana Neves Ferreira
author_facet Ribeiro, Mariana Neves Ferreira
author_role author
dc.contributor.unidadefgv.por.fl_str_mv Escolas::EMAp
dc.contributor.member.none.fl_str_mv Oliveira, Dário Augusto Borges
Gomes, João Paulo Pordeus
dc.contributor.author.fl_str_mv Ribeiro, Mariana Neves Ferreira
dc.contributor.advisor1.fl_str_mv Mesquita, Diego Parente Paiva
contributor_str_mv Mesquita, Diego Parente Paiva
dc.subject.eng.fl_str_mv Multilateration
Localization
Deep sets
Neural networks
topic Multilateration
Localization
Deep sets
Neural networks
Matemática
Redes neurais (Computação)
Inteligência artificial
Aprendizado do computador
Matemática - Processamento de dados
dc.subject.area.por.fl_str_mv Matemática
dc.subject.bibliodata.por.fl_str_mv Redes neurais (Computação)
Inteligência artificial
Aprendizado do computador
Matemática - Processamento de dados
description 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.
publishDate 2024
dc.date.accessioned.fl_str_mv 2024-08-16T13:09:42Z
dc.date.available.fl_str_mv 2024-08-16T13:09:42Z
dc.date.issued.fl_str_mv 2024-07-31
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/10438/35731
url https://hdl.handle.net/10438/35731
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.source.none.fl_str_mv reponame:Repositório Institucional do FGV (FGV Repositório Digital)
instname:Fundação Getulio Vargas (FGV)
instacron:FGV
instname_str Fundação Getulio Vargas (FGV)
instacron_str FGV
institution FGV
reponame_str Repositório Institucional do FGV (FGV Repositório Digital)
collection Repositório Institucional do FGV (FGV Repositório Digital)
bitstream.url.fl_str_mv https://repositorio.fgv.br/bitstreams/b708d44d-b498-42c2-8a5e-09468f8d0b24/download
https://repositorio.fgv.br/bitstreams/305cb57b-fcff-4719-8f4f-793c920af9e2/download
https://repositorio.fgv.br/bitstreams/6708f003-4a86-47d6-b556-c3731cacc03f/download
https://repositorio.fgv.br/bitstreams/5a1e71ab-375c-4977-970b-defd3bf91ef6/download
bitstream.checksum.fl_str_mv efe17e9b0c2f277bc03d6873a3e89e4a
2a4b67231f701c416a809246e7a10077
42d8020daece91662f9a159b74debbdf
a844680976e66d010ea8c343c8b4dc4d
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional do FGV (FGV Repositório Digital) - Fundação Getulio Vargas (FGV)
repository.mail.fl_str_mv
_version_ 1827842525386244096

Registros relacionados