###### tags: `lab meeting`
# 2022/11/16 paper reading and progress report @B208 and online

### 教員
- 藤川先生
- 新井先生
- 垣内先生
- 遠藤先生

### D3
- Kibrom
- 大平

### D1
- 桂

### M2
- 松永
- 福田
- 丹羽
- 山村

### M1
- 眞田
- 人見

## how to
- 議事録は質疑応答のみでOK．
- 発言者の頭文字を先頭につける．
- f, 藤川先生
- a, 新井先生
- k, 垣内先生
- e, 遠藤先生
- oh, 大平さん
- ... 学生は適当に名字2-3文字で
- f, 例：質問質問
- 発表者の回答は1段下げて記載
- 回答回答

## 眞田
- niwa, 途中の式で変数がわからない話については屋内測位の界隈で常識的に利用されているのか，統計的な界隈で常識的に利用されているのか？
- P11のギリシャ文字は統計とか，屋内測位のテーマとは違い，カルマンフィルタのところででてくるもの
- 誤差とerrorを除いてる．
- 誤差を示すために添え字がつけられるそう．
- niwa, どの分野の記号がわかれば
- a, 制御工学でよく見られる記号だね
- niwa, P14 Aのグラフはどのように見るのが正解？
- 青が参照されているのかなっていう感じかと．．．
- 黒が正解グラフ
- niwa, P13の図とグラフの結果が異なる気がする．
- エレベータで上がっていると思う
- k, 青のスコアが高ければ1Fだよとか
- k, 緑のスコアが高かったら2Fだよとか
- k, 赤色が上にきている時が多いからスコアが高い?
- スコアが低いほうがその階である確率が高い
- a, 右のグラフでは青の点が1Fになっているのがわかりやすい例
- k, 左のグラフは低い点がごっちゃになってるから判断しにくいということか
- P14の図の(a)だけを見せるだけじゃ分かりにくい
- 右の方がわかりやすい
- k, どれが支配的かが左だと分かりづらい
- スコア的に見ると特段悪いわけではない
- niwa, 同じ時間に複数のフロアが同時に検出されることはある?
- niwa, 123秒では1Fと3Fが同時にでることはない？
- 各フロアごとの値を求めて小さかったものを求めている
- niwa, 1-4Fのスコアを出して一番小さいものを求めてる？
- niwa, 4Fが最も低いことが多かったと言われると確かに
- niwa, 200-400の3Fのときは3Fとして
- k, 水色が十字だけど赤が塗りつぶしの三角だから目立つのか
- niwa, 重なりのレイヤの順番で一回の青色のマークは見えづらくなっている．
- 黒の線は正解
- niwa, でもFig2の経路と違うくない?
- F1で入ぐりを入って階段登って
- F2徒歩→階段
- ...
- F4からはエレベータで下がって
- F3いってエレベータで下がって
- k, 最後の2回に上がったのが消えてるくない?
- niwa, 最後のF1に行ったのはどうなってるの？
- 間違ってい1Fに一度行ってしまった?
- niwa, あえて1Fまで言ったことが論文中に示されているかもしれない
- 論文中では基準線としてしか述べられていない．
- mat, 時間的には一致してる？
- matr,600sで切り替わって
- mat, 800sの時に切り替わってる?か
- 一応時間的な面でも大丈夫かと
- k，refの傾きも微妙に違うし，
- mat, 気圧の方は階段も
- mat, refのfig10は直角になっている
- mat, フロアを飛ぶ前提でやってる．
- k, 直角になっているのに...
- k, こういうグラフを書くと論文の結果が怪しく感じてしまう．
- mat, p8:磁気は方角をとっているということだが,
- mat, 屋内で方角がきれいに取れる前提で実験をしてる？
- mat, 一応GPSもとっているので
- k, 屋内でGPSデータは取れないよ
- GPS受信機を搭載したとだけ書いてるのでGPSデータを利用してるわけではないかも
- mat, スマホで一緒に取ってたのかな？
- 一応GPSもサンプリングデータに設定されている
- mat, 取ろうとすれば窓が近ければ行けるので
- mat, 磁気で方角を取ってそれも
- mat, デッドレコニング系の処理の際に使っているのね
- 加速度計と合わせて磁力系を標準化すると
- mat, 移動方向を確定するためにコンパス的に利用しているわけではない？
- そういうわけではない
- k, ジャイロと加速度で取ってるんじゃないの？
- Gyroデータは動きに使われている気がする
- mat, 向きってこと?
- モーションモデルって書いてあるので，姿勢のことじゃないか
- mat, スマホの姿勢を推定するために磁気を使っているということかな？
- heading見ている感じ磁気と加速度が使用されてる
- mat, 少なくともフィンガープリントしているわけではなさそうだね
- mat, P13: VSLAMを使っていると言ってたけど具体的な手法は書いてあった？
- RGBAのビジュアルスラムを使ってとしか書いてない
- mat, そこ使っているものが書いてあれば，少なくとも大学で使えるものが知れるかなと思った
- Lenovoのスマホで撮影したみたいなことが書いてある
- mat, lenovoだとアンドロイドでスマホを使うと...に準拠したアプリを使うことができた気がする．
- 標準搭載の機能でslamしているという感じ
- mat, 論文自体が，いつの論文？
- 2018
- mat, スマホがだいぶ古い気がする
- mat, 気圧センサの精度もだいぶ違う気がするので，今のスマホに搭載されているものだと
- mat, この論文の人たちは気圧計のバイアスを修正するのをやめようというアプローチだと思うが
- mat, RSSIで補完しようとする
- mat, スマフォを同じ場所に置いて気圧を測定して
- mat, 現行のスマホ自体が精度良くなっているので
- mat, RSSIを使わなくても
- mat, 先にバイアスを取っておかないと行けない手間はあるけど，コンスタントにかかっているバイアスと
- mat, 気圧センサのノイズって2種類あって
- mat, コンスタントにずれてる，ものと連続知的にずれてる物があって，
- mat, コンスタントにずれる値の方は長期間ほぼ変わらないことがわかっている
- mat, 試したセンサだけですけどbmp390
- mat, 半年たってもそのバイアスの値は変わってなさそうだったので
- mat, 1回網羅的に気圧センサ固有の値を取ってしまえば，フロア推定の精度は取れるかなと思っている
- 自分もこの論文は古いかなと思っていたが
- この人達が挙げてるものは2019があってarxivに乗っているくらい
- もう一個新しいのがシングルAPのもの
- mat, RSSIだけでも高さ推定はある程度できると
- mat, 最後のスライドで，この手法を再現することを述べてたが，
- mat, 多分意味のあるセンサデータが取れていれば，大体どの手法を使っても同じような精度になる気がするので，
- mat, まずはかんたんに試せるscikit learnのモデルでもいいし，
- mat, NNのモデルを実装しても良いが，その程度の雑なもので精度が出るかなと
- そんな感じがする
- mat, この論文の2Dの誤差はCDFのグラフがあったと思うが，
- mat, この誤差は少し低めかな，10m誤差を許容しても0.8はちょっと低め
- mat, 最近の論文だともう少し高くなっている
- mat, これはスマホのアンテナの安定性とか気圧センサの安定性が絡んでいると思うので，
- それで言うと高さの所で言うといい感じだと思うけど…
- mat, 高さは結構いい感じ，2mは1階分の高さなので，階層推定を間違えない気がする
- MLベースの方がCDFの結果はいい
- mat, 試すのもそっちの方が楽なので
- mat, 回帰モデルも分類モデルも用意されている
- oh, 実装とか表とかはきれいだけど，この論文の新しさはprofileでマルチセンサの点しかわからなかったので
- oh, アイデアとしては凡庸であまり新規性がないかなという感じだと思ったが，認識はあっている？
- マルチセンサのところでロジックがあったけどその点で新規性があったかもしれないです
- oh, 実装頑張った系論文かなと思った
- mat, この論文は2018年だったけど，
- mat, これより前にマルチフロアの実験をしている参考文献は引かれてた？
- mat, 3Dのローカライゼーションしてる時点で新しいのかなと思った
- デッドレコニングの話はあったけどだいたい2Dでやってるなから3Dでやるという話の流れだったので
- mat, そうすると，フロア推定ぐらいは今まで行われていたけど，
- mat, 3Dの座標が出力できるようになったという観点では当時は新しくなったのかもしれないですね
- 基本的には気圧計でやっててインフラが進んだから
- そこを組み合わせたらいい感じの結果が出るのじゃないかなという話で進んでいた
- a, 一応，だいぶ昔から見てる形からすると何も新しくない．．
- a, 多分この論文の論理の中で紹介している
- a, 今の視点で言っているような3D測位という観点では
- a, マルチフロアの2D測位なので，高さの解像度を階段レベルで出しているわけではない
- a, 正確には2.5D測位くらいかな
- a, 3D測位をしている国際会議だと…
- a, UbiCompとかの
- a, 2008年ぐらいにはケンブリッジ大学の人が発表していた
- a, 慣性センサ使うだけでもできますとかwifiだけでできますという話がされていた
- a, センサの種類も増えているから問題自体は簡単になっていると思う
- a, あえて言うならスマホだけでできたってことなら
- a, 2008~2018でいくらでもこのような論文は出ていると思う
- a, 多分全然新しくない，ただ，この当時の用意できるコンシューマ向け端末でベンチマークしましたという貢献はあると思う

## 福田
- k, 構成ができたのは初めて？
- 初めてです
- k, はじめにのところで問題点が良くしないといけないとか必要性があるということを言った上で
- k, 必要性があることを言った上で、３のところで分析して
- k, 1のところで特に問題もないのにどういう技術でやっているかを見ていって
- ｋ、実は問題あったんですよみたいのは違うと思う。
- 「はじめに」で問題定義を行う
- k, もしくはここのところができていないと言ったことを記載
- ｋ、２，３のところで分析して、
- k, 何が悪いのだというので,
- ｋ、事前実験をして、
- k, 問題点を解決するための手法を提案するんだよね？
- ｋ、分析しないと、なぜそれがいきなり出てきたのかとなるから。
- 問題定義の場所が悪くてロジックのつながりがないような気がするので
- １，２や３につなげるために、問題提起をはじめに持ってこようと思う。
- a, 4,5がちゃんと決まらないとなんともいえないので，
- a, いまのところ、見込みとしてはこれでいいんじゃないかな。
- これが理想だとは考えている
- 事前実験だったり、結果がでるのに時間が掛かりそうなので、
- a, そっちに集中してください
- k, 今とっているカメラだけでいいんだっけ?
- 今撮っているカメラで完結させるつもり
- k, 夜が暗くなりきらないという問題?
- a, 相当暗くないと、暗くならないですよ。
- k, 明るさではなく, かさはどこでも引っかかる問題だけど
- k, 雨粒がフィルターにかかっているとかは特殊な事例なきがする
- 多少雨の日は晴れの日よりぼやける
- a, 雨よけはつけられないんですよ。フットプリントで課金されているんです。
- ｋ, もし厚みが十分あるんだったら、雨よけを前にすればいいが
- k, そうやると奥行きが足りないんだよね？
- a, 構造的に難しくなる
- a, 変な鳥が止まるようになったとか。
- k, 現地行って10分ごとに拭くとかｗ
- a, 撥水のスプレーをかけて、赤外線を
- a, 今度は赤外線が映らないとかは嫌だし
- スプレーごとの写りの違いとか…？
- a, 雨粒が原因かもはっきりしていない。
- k, 雨粒の方にピントがあっていてぼやけている気がする
- a, 確かにそういう画像もある
- k, 焦点を固定できるといいかなとは思うけど
- ｋ, 明るさはそんなに暗くならなくても、この場所が特殊な可能性もあるし
- a, バス停のカメラのあり方についてなので
- a, ケースに入れないとダメだし、赤外線のカメラを入れるとなると制約がある
- a, 赤外線のカメラをケースに入れると、すごい制約あるし
- バス停の上に雨よけがあるといった環境よりはマシかなと言った感じ
- a, 赤外線とRGBで差が出て特徴が現れたら
- a, バスの中の映像も撮っているので、問題ないと思う。
- a, むしろそっちのほうが、RGBだけで間に合うかも知れないし。データ出してみないと分からない。
- FIRの方は夜はエッジが効いてる感じがする
- k, fusionのところのアルゴリズムが良くないんじゃないかな。
- アプローチの仕方が?
- k, 結局RGBがある状態でそこに赤外線を被せているんだよね
- k, そこに赤外線をかぶせているんだよね？
- k, ぼやける効果だけが出ている気がする
- k, RGB画像はRGB?輝度色度ではない?
- 透明度も含まれているけど
- ｋ、RとGとBと、FIRと、４つのデータがある状態で処理した方がいいんじゃないかなと思う・
- 前の考え方には戻るが,4次元で
- k, 前回は場所合ってなかったんだよね？
- k, そうすると学習データが得られないんだっけ?
- 正解データはあります。
- RGBTで学習されたデータはない
- k, もとの学習のやつでRGBと
- ｋ、明度で学習データを作って、明度を赤外線画像と置き換えたもので学習はできないか。
- ベースとなるモデルを作って少ない画像で転移学習するならあり
- もしくは、一般的に公開されているRGBと赤外線画像があるので
- 同じようにRGBとFIRを組み合わせて４Dの学習データは作れるかもしれない
- 立ち戻って同じ解像度なのでできることがあるかなと思った
- ｋ、単純な足し算でもだめそうだし、引き算も違いそうだし、
- k, エッジを効かせる合成方法もあるんだろうけど
- a, 今の話は6-3の評価対象に増やすという話ですよね？
- ｋ, よかったら提案手法の方に入っちゃうかも知れないし。
- fuseの仕方じゃなくて4Dの評価対象も作れるって感じですかね
- 検出の方法ができてないのでそこに取り組みます
-
-
-
-
-
-
-
-
-
-
-
- a