論文紹介

IF YOU SEE SOMETHING, SWIPE
TOWARDS IT: CROWDSOURCED EVENT
LOCALIZATION USING SMARTPHONES
Wentao Robin Ouyang, Ankur...
概要
• クラウド・ソーシング(Crowd Sourcing)に関する論文

• スマホのセンサーを使うわけではない
• 実世界オブジェクトの指定手法:

スワイプを利用

• 簡単で,直感的で,自然な感じ

• 具体的な利用ケース
• 喫煙禁...
モチベーション
実世界で起きているイベントをスマホを使った
クラウドソーシングで発見したい

自然なジェスチャーは?
従来方式と課題
• カメラで撮影

あん?

あ!

• 危険(怖い人かもしれない)
• 不自然
• 手間(カメラを起動,ピントをあわせて
撮影)
提案

メールし
てるふり

背中向け
ててもい
い
技術的課題
• スマートフォン内蔵センサーはノイジー
• まず,GPSの誤差をどうするか?
• 10〜20mの誤差は普通

• 方位センサーは,地磁気の影響を受ける

• ヒューマンエラー
• 遠方からのスワイプの精度は期待できない
• 予備知...
技術的課題の図
スワイプ角の定義
• スワイプ角θ: 真東(East)を基準とした角
• θc: スマホの向き.方位センサから取得
• θα:スワイプの向き.タッチセンサから取得
• θ = (θα-θc)
スワイプの定義
• 1回のスワイプiを以下の5つのパラ

メータで定義

si = {ui , ti , li , ai , qi }
• これらを複数まとめたものを以下の

ように定義
S = {si }
• ただし,歩行中のスワイプは削除
...
システム構成
BDA(Basic Data Analysis)
• 目的: 興味のエリアをグリッドに分割する(セル)

エリアRを
r平方メートルの
グリッドに分割
スワイプの台形表現
• スワイプの不確実性を表現
• 角度に幅をつける
• α = π/18 (約10度)
• dm : 目視可能な距離(アプリ次第)
複数の台形から位置を推定する効果
• もしラインだけを見ていたら,緑☓
• 実際はL1のようにズレの大きいラインも多い
• GPSの不確実さ,ユーザのスワイプ向きの不確実さ
• 台形にすることで,青*を検出可能に
台形とセルの交点を求める
• 目的: 複数の台形と交点を持つセルを算出するため
台形とセルのマッチング
• Swipe-Cell Indicator行列I
• 行の要素数:スワイプの回数
• 列の要素数:エリア内セル数
• 台形によってカバーされていれば1,そうでなければ0

あるスワイプ(台
形)に含まれるセ
ル

é
...
セルの確からしさを更新
• 目的: どのセルでイベントが発生しているかを決定する

ため
セルの確からしさ
• 確からしさ行列W
• 全スワイプで1つの行列
• 収集したスワイプ数が増えてもスケールする

• Wの行と列=エリアのセル数

• W内の各値(セルkの確からしさwk)の更新

• miは,スワイプiがカバーしているセル数
システム構成
Gridに基づいたイベント位置の推定
• 画像処理と同様に:

1セル=1ピクセルと見なす
確からしさが
しきい値以下のセ
ルをフィルタリン
グ

Flood-Fillアルゴリ
ズムで連続領域を検
出

各領域の中から
極大点を探す
極大点がな...
推定されたホットスポット
• 左:セルの確からしさマップ
• 右:黒点が推定されたホットスポット
システム構成
TALR
• 目的
• 時間軸の分析
複数のクラスタに
と位置の補正
含まれるスワイプ
をそれぞれ1つに
変更
• これまでに求めた
• 推定位置:eo
• SCI行列:I

を用いる

ホットスポットeig
に関するスワイプ
階層クラスタリン...
時間軸分析
• 単純に最初のイベントの検出時間(幅:例えば10分)でクラスタリ

ング
• カーネル密度推定なども利用できるのではないかと考えている
図の見方がよくわ
かりませんでした
評価
• iSeeアプリケーションを6台のAndroidに実装
• Nexus S 3台,Galaxy S3 3台
• 大学内(400 x 500 m2)に,ターゲット(赤い旗)を20

個配置
• 手動で,置いたり,撤去したり
• 単位時間に...
Gridによるイベント位置推定につい
て
• LIC(Line Segment Intersection and Clustering)と比較
• スワイプの台形化とエリアのグリッド化を用いた提案手

法の方が,より多くのイベントを検出し,その...
1イベントあたりのスワイプが多い
場合
• 平均34.1スワイプ
• LICは,交差点が増えすぎて,それが連続した1つのイベ

ントとして検出されてしまう.
• GELは,スワイプが多くてもきちんと識別可能
検出率と誤差
• Reporting Rate : 検出数/実際のイベント数
• 1以下:未検出, 1以上:誤検出
• Detection Rate : 誤差25m以内であれば発見したとみなし

た場合の発見率
• 必ず1以下

提案に含まれる...
時間クラスタリングの効果
• Association Accuracy
• 正しくスワイプに関連したホットスポットの割合
• Jaccard係数
• 2つの集合の類似度
• 0:完全に独立,1:完全に一致
時間クラスタリン
グ
することで改善
...
まとめ
• クラウドソーシングによる実世界イベント検出手法の提
•
•
•
•

案
スワイプという自然な(不可視な)動作でイベントを指
定
台形表現によって,GPSおよびスワイプの不正確性を吸
収
実際にAndroidアプリケーションを作成し...
紹介者の感想
• アイデアは,単純
• それを実現するために,細かな点までアルゴリズム化
• Androidアプリケーションも開発し,きちんとしたユーザ

スタディ
• 結果的として,実現できている

→

Ubicomp採録

• 疑問
• ...
Upcoming SlideShare
Loading in...5
×

Ubicomp論文紹介「If You See Something, Swipe towards It: Crowdsourced Event Localization Using Smartphones」

458

Published on

2013年12月MBL研究会ワークショップでの講演資料です.

Published in: Technology
0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total Views
458
On Slideshare
0
From Embeds
0
Number of Embeds
1
Actions
Shares
0
Downloads
2
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Ubicomp論文紹介「If You See Something, Swipe towards It: Crowdsourced Event Localization Using Smartphones」

  1. 1. 論文紹介 IF YOU SEE SOMETHING, SWIPE TOWARDS IT: CROWDSOURCED EVENT LOCALIZATION USING SMARTPHONES Wentao Robin Ouyang, Ankur Srivastava, Prithvi Prabahar, Romit Roy Choudhury, Merideth Addicott, F. Joseph McClernon Duke University 紹介者: 荒川豊(奈良先端科学技術大学院大学)
  2. 2. 概要 • クラウド・ソーシング(Crowd Sourcing)に関する論文 • スマホのセンサーを使うわけではない • 実世界オブジェクトの指定手法: スワイプを利用 • 簡単で,直感的で,自然な感じ • 具体的な利用ケース • 喫煙禁止のところで喫煙している人の後ろ指をさすアプリ • 不確実なスワイプから対象を検出するアルゴリズムを提 案
  3. 3. モチベーション 実世界で起きているイベントをスマホを使った クラウドソーシングで発見したい 自然なジェスチャーは?
  4. 4. 従来方式と課題 • カメラで撮影 あん? あ! • 危険(怖い人かもしれない) • 不自然 • 手間(カメラを起動,ピントをあわせて 撮影)
  5. 5. 提案 メールし てるふり 背中向け ててもい い
  6. 6. 技術的課題 • スマートフォン内蔵センサーはノイジー • まず,GPSの誤差をどうするか? • 10〜20mの誤差は普通 • 方位センサーは,地磁気の影響を受ける • ヒューマンエラー • 遠方からのスワイプの精度は期待できない • 予備知識無しに,複数人からのスワイプからイベントを 抽出する(切り分ける)メカニズム • データ量が少なくても動き,増えてもスケールする仕組 み
  7. 7. 技術的課題の図
  8. 8. スワイプ角の定義 • スワイプ角θ: 真東(East)を基準とした角 • θc: スマホの向き.方位センサから取得 • θα:スワイプの向き.タッチセンサから取得 • θ = (θα-θc)
  9. 9. スワイプの定義 • 1回のスワイプiを以下の5つのパラ メータで定義 si = {ui , ti , li , ai , qi } • これらを複数まとめたものを以下の ように定義 S = {si } • ただし,歩行中のスワイプは削除 • 加速度センサの値から判定 • スワイプ角 θ • ユーザID u • 時刻 t • 位置 l • 位置の精度 a
  10. 10. システム構成
  11. 11. BDA(Basic Data Analysis) • 目的: 興味のエリアをグリッドに分割する(セル) エリアRを r平方メートルの グリッドに分割
  12. 12. スワイプの台形表現 • スワイプの不確実性を表現 • 角度に幅をつける • α = π/18 (約10度) • dm : 目視可能な距離(アプリ次第)
  13. 13. 複数の台形から位置を推定する効果 • もしラインだけを見ていたら,緑☓ • 実際はL1のようにズレの大きいラインも多い • GPSの不確実さ,ユーザのスワイプ向きの不確実さ • 台形にすることで,青*を検出可能に
  14. 14. 台形とセルの交点を求める • 目的: 複数の台形と交点を持つセルを算出するため
  15. 15. 台形とセルのマッチング • Swipe-Cell Indicator行列I • 行の要素数:スワイプの回数 • 列の要素数:エリア内セル数 • 台形によってカバーされていれば1,そうでなければ0 あるスワイプ(台 形)に含まれるセ ル é ê ê ê ê ë 1 0 0 0 0 0 0 1 1 0 1 0 0 0 0 0 1 1 1 1 0 0 1 1 0 1 1 1 頻繁に台形に 含まれるセル 0 0 0 1 ù ú ú ú ú û
  16. 16. セルの確からしさを更新 • 目的: どのセルでイベントが発生しているかを決定する ため
  17. 17. セルの確からしさ • 確からしさ行列W • 全スワイプで1つの行列 • 収集したスワイプ数が増えてもスケールする • Wの行と列=エリアのセル数 • W内の各値(セルkの確からしさwk)の更新 • miは,スワイプiがカバーしているセル数
  18. 18. システム構成
  19. 19. Gridに基づいたイベント位置の推定 • 画像処理と同様に: 1セル=1ピクセルと見なす 確からしさが しきい値以下のセ ルをフィルタリン グ Flood-Fillアルゴリ ズムで連続領域を検 出 各領域の中から 極大点を探す 極大点がない場合 最も確からしさが 高いセルを設定
  20. 20. 推定されたホットスポット • 左:セルの確からしさマップ • 右:黒点が推定されたホットスポット
  21. 21. システム構成
  22. 22. TALR • 目的 • 時間軸の分析 複数のクラスタに と位置の補正 含まれるスワイプ をそれぞれ1つに 変更 • これまでに求めた • 推定位置:eo • SCI行列:I を用いる ホットスポットeig に関するスワイプ 階層クラスタリングに を抽出 よって関連性の高いス ワイプだけに絞り込む 時間軸分析
  23. 23. 時間軸分析 • 単純に最初のイベントの検出時間(幅:例えば10分)でクラスタリ ング • カーネル密度推定なども利用できるのではないかと考えている 図の見方がよくわ かりませんでした
  24. 24. 評価 • iSeeアプリケーションを6台のAndroidに実装 • Nexus S 3台,Galaxy S3 3台 • 大学内(400 x 500 m2)に,ターゲット(赤い旗)を20 個配置 • 手動で,置いたり,撤去したり • 単位時間に最大10個を配置 • 1つの旗は最大20分配置 • ターゲット間の距離 • 最も近い:40.4m • 最も遠い:81.6m • 平均: 53.4m • 6 日間実験 • 4個:前半3日と後半3日で異なる時間パターンで出現 • 16個:常に同じ時間パターンで出現
  25. 25. Gridによるイベント位置推定につい て • LIC(Line Segment Intersection and Clustering)と比較 • スワイプの台形化とエリアのグリッド化を用いた提案手 法の方が,より多くのイベントを検出し,その位置も精 度が高い 平均5.5スワイプ/1イベント
  26. 26. 1イベントあたりのスワイプが多い 場合 • 平均34.1スワイプ • LICは,交差点が増えすぎて,それが連続した1つのイベ ントとして検出されてしまう. • GELは,スワイプが多くてもきちんと識別可能
  27. 27. 検出率と誤差 • Reporting Rate : 検出数/実際のイベント数 • 1以下:未検出, 1以上:誤検出 • Detection Rate : 誤差25m以内であれば発見したとみなし た場合の発見率 • 必ず1以下 提案に含まれる 位置補正技術 • Localization Error: 誤差 • OLR(Optimization-based location refinement)
  28. 28. 時間クラスタリングの効果 • Association Accuracy • 正しくスワイプに関連したホットスポットの割合 • Jaccard係数 • 2つの集合の類似度 • 0:完全に独立,1:完全に一致 時間クラスタリン グ することで改善 観測期間が長くなる と高い類似度が増え る 観測スワイプ数が増 えるほど類似度が高 い
  29. 29. まとめ • クラウドソーシングによる実世界イベント検出手法の提 • • • • 案 スワイプという自然な(不可視な)動作でイベントを指 定 台形表現によって,GPSおよびスワイプの不正確性を吸 収 実際にAndroidアプリケーションを作成し,6日間の実験 その結果,10mの誤差で,95%のイベントを抽出できた
  30. 30. 紹介者の感想 • アイデアは,単純 • それを実現するために,細かな点までアルゴリズム化 • Androidアプリケーションも開発し,きちんとしたユーザ スタディ • 結果的として,実現できている → Ubicomp採録 • 疑問 • イベントの種類などは,どうやって入力するのだろうか? • イベントの時間と位置までわかっても,内容がわからないはず
  1. A particular slide catching your eye?

    Clipping is a handy way to collect important slides you want to go back to later.

×