- AF-DCGAN: Глубокая сверточная GAN с амплитудной характеристикой для построения отпечатков пальцев в системах локализации внутри помещений (arXiv)
Автор: Циюэ Ли, Хэн Цюй, Чжи Лю, Нана Чжоу, Вэй Сун, Стефан Сигг, Цзе Ли
Аннотация: Благодаря широко распространенной сети Wi-Fi и уникальности (отпечатков пальцев) информации о беспроводном канале, позиционирование Wi-Fi на основе отпечатков пальцев в настоящее время является основным методом позиционирования в помещении, в котором построение базы данных отпечатков пальцев имеет решающее значение. Однако для обеспечения точности этот подход требует выборки достаточного количества данных во многих контрольных точках, что требует чрезмерных усилий и времени. В этой статье мы собираем данные информации о состоянии канала (CSI) в контрольных точках методом безустройствной локализации, затем преобразуем собранные данные CSI в карты амплитудных признаков и расширяем базу данных отпечатков пальцев, используя предлагаемую глубокую сверточную генеративную состязательную модель амплитудных характеристик. Сетевая модель (AF-DCGAN). Использование AF-DCGAN ускоряет сходимость на этапе обучения и существенно увеличивает разнообразие карты амплитудных характеристик CSI. Расширенная база данных отпечатков пальцев снижает как человеческие усилия, необходимые для создания базы данных отпечатков пальцев, так и точность системы локализации внутри помещений, как показали эксперименты.
2. Iris-GAN: обучение созданию реалистичных изображений радужной оболочки с использованием сверточной GAN (arXiv)
Автор : Шервин Минаи, Амирали Абдолрашиди
Аннотация: Создание изображений радужной оболочки, которые выглядят реалистично, является одновременно интересной и сложной задачей. Большинство классических статистических моделей недостаточно мощны, чтобы уловить сложное представление текстуры в изображениях радужной оболочки и, следовательно, не могут генерировать изображения радужной оболочки, которые выглядят реалистично. В этой работе мы представляем структуру машинного обучения, основанную на генеративно-состязательной сети (GAN), которая способна генерировать изображения радужной оболочки глаза, выбранные из предыдущего распределения (полученные из набора обучающих изображений). Мы применяем эту структуру к двум популярным базам данных радужной оболочки глаза и генерируем изображения, которые выглядят очень реалистично и похожи на распределение изображений в этих базах данных. Благодаря экспериментальным результатам мы показываем, что сгенерированные изображения радужной оболочки имеют хорошее разнообразие и способны захватывать различные части предыдущего распределения.
