題目:以卷積神經網路為基礎的半監督式Wi-Fi CSI室內定位 Semi-Supervised Learning-Based Indoor Localization with Wi-Fi CSI Using Convolutional Neural Network ---- Q&A --- 許裕彬 教授 Q:熱點定位下，是否二維半監督式模型分辨效能優於Resloc? A:在論文進行修正 :::info 於論文P24進行修正，經多次確認後二維半監督式模型Mean Teacher 與 FixMatch優於Resloc ![](https://hackmd.io/_uploads/SyZcCHKs3.png) ::: Q:FixMatch使用Teacher-Student 架構與原版進行比較 A:在論文進行新增 :::info 於論文P32進行說明 ![](https://hackmd.io/_uploads/r1g5fUYon.png) ![](https://hackmd.io/_uploads/SJ2cMIKjn.png) ::: Q:論文加註高斯雜訊說明 A:在論文進行增加 :::info 於論文P13進行說明 ![](https://hackmd.io/_uploads/BkEHrLKs2.png) ::: 陳維昌 教授 Q:論文缺少KNN介紹 A:在論文進行修正 :::info 於論文P12進行說明 ![](https://hackmd.io/_uploads/ryLmfIYi3.png) ::: 曾柏軒 教授 Q:加入使用1D-CNN 與2D-CNN非正方形input比較，用一張圖做說明 A:在論文中新增 :::info 於論文P30新增，根據實驗結果，使用二維卷積網路效能優於一維神經網路，且輸入為正方形效能優於非正方形。 ![](https://hackmd.io/_uploads/rkrbJLYjh.png) ::: Q:加入一維LadderNet資料，並且比較激勵函數使用Relu & Sigmoid 效能差異 A:在論文實驗加入一維LadderNet一同比較 :::info 於論文P29加入LadderNet使用Relu & Sigmoid 效能差異，激勵函數使用Sigmoid優於Relu。 ![](https://hackmd.io/_uploads/rkbQbUKo2.png) :::