智能AI
morning
扩展廉价的综合预训练可改善室内无线电地图预测
摘要
arXiv:2610.19015v1 Announce Type: new Abstract: Real measurements are too limited to train an accurate indoor pathloss predictor that works across a wide range of buildings. Large-scale synthetic pret...
and
are
indoor
that
real
radio
for
ResNet
101
data
2026-10-15
1 阅读
约1分钟阅读
Khoren Petrosyan, Artashes Mkrtchyan, Rafayel Mkrtchyan, Hrant Khachatrian, Theofanis P. Raptis
字号:
arXiv:2610.19015v1 公告类型：新 摘要：实际测量结果太有限，无法训练适用于各种建筑物的准确室内路径损耗预测器。大规模的合成预训练提供了一条前进的道路，但真实的建筑布局也很少，而且精确的光线追踪模拟器速度慢、成本高，而且通常是专有的。我们通过引入自动创建不同室内布局的生成器和为其计算无线电地图的快速开源近似光线追踪器来解决这两个问题。使用此管道，我们生成 128M 合成样本，预训练 ResNet-101 和 Swin-T 编码器-解码器，并根据高质量基准数据对其进行微调。尽管模拟器不匹配，但我们的 ResNet-101 模型相对于五个室内无线电地图预测任务中最知名的方法，平均将误差减少了 15%，并改进了小型实际测量数据集的传输。两种架构都显示出可预测的数据扩展趋势：适用于 2M-16M 样本的幂律预测平均归一化下游 RMSE 为 32M-128M，ResNet-101 的平均绝对百分比误差为 3.33%，Swin-T 的平均绝对百分比误差为 7.10%。这些结果表明，即使实际测量和高质量模拟有限，对大量廉价模拟数据进行预训练也可以改善室内无线电地图预测。
这篇文章对您有帮助吗？
订阅66必读
每日精选科技资讯，直达你的邮箱