DBLoc: A Lightweight and Universal BFI-Enabled Deep Learning Framework for Wi-Fi Localization
Notice bibliographique
Résumé
WiFi-based passive indoor localization has gained prominence owing to its high accuracy and ease of deployment in GPS-denied environments. However, Channel State Information (CSI)-based systems face challenges, including high data acquisition requirements, significant computational overhead, and limited transferability. In this paper, we introduce DBLoc, a WiFi localization system that leverages beamforming feedback information (BFI), a novel attribute provided by modern WiFi hardware. BFI’s clear-text transmission and stable characteristics make it an ideal choice for localization tasks. We prove that BFI provides a lightweight alternative to CSI, significantly reducing both data acquisition and storage requirements. Compared with traditional deep learning frameworks using convolutional networks, DBLoc employs a pruning-based residual architecture to reduce computational overhead, achieving an inference cost of only 175.7 MFLOPs, thus optimizing performance within an edge-deployment budget. To enable transferability that surpasses current meta-learning approaches, DBLoc incorporates a virtual-domain-based meta-learning algorithm, ensuring robust performance with minimal target-domain data. Additionally, a spatial-encryption mechanism is proposed to safeguard the BFI-based model from eavesdropping. Extensive evaluations demonstrate that DBLoc achieves a median localization error of approximately 0.5 m, while significantly reducing localization accuracy for unauthorized attackers.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».