論文の概要: Visualizing Deep Learning-based Radio Modulation Classifier
- arxiv url: http://arxiv.org/abs/2005.02175v2
- Date: Mon, 18 Jan 2021 12:25:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-07 06:58:06.606589
- Title: Visualizing Deep Learning-based Radio Modulation Classifier
- Title(参考訳): 深層学習に基づく無線変調分類器の可視化
- Authors: Liang Huang (Member, IEEE), You Zhang, Weijian Pan, Jinyin Chen, Li
Ping Qian (Senior Member, IEEE) and Yuan Wu (Senior Member, IEEE)
- Abstract要約: クラスアクティベーションベクトルを導入することで、ディープラーニングに基づく様々な無線変調分類器を可視化する。
以上の結果から, 深層学習に基づく分類器によって抽出された無線特徴は, 無線信号によってもたらされる内容に大きく依存していることが示唆された。
- 参考スコア(独自算出の注目度): 4.162537039245131
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning has recently been successfully applied in automatic modulation
classification by extracting and classifying radio features in an end-to-end
way. However, deep learning-based radio modulation classifiers are lack of
interpretability, and there is little explanation or visibility into what kinds
of radio features are extracted and chosen for classification. In this paper,
we visualize different deep learning-based radio modulation classifiers by
introducing a class activation vector. Specifically, both convolutional neural
networks (CNN) based classifier and long short-term memory (LSTM) based
classifier are separately studied, and their extracted radio features are
visualized. Extensive numerical results show both the CNN-based classifier and
LSTM-based classifier extract similar radio features relating to modulation
reference points. In particular, for the LSTM-based classifier, its obtained
radio features are similar to the knowledge of human experts. Our numerical
results indicate the radio features extracted by deep learning-based
classifiers greatly depend on the contents carried by radio signals, and a
short radio sample may lead to misclassification.
- Abstract(参考訳): 近年,無線特徴をエンドツーエンドに抽出・分類することで,自動変調分類に深層学習が応用されている。
しかし、深層学習に基づく無線変調分類器は解釈可能性に欠けており、どの無線特徴が抽出され、分類するために選択されるかの説明や可視性はほとんどない。
本稿では,クラスアクティベーションベクトルを導入することで,異なる深層学習型無線変調分類器を可視化する。
具体的には、畳み込みニューラルネットワーク(CNN)ベースの分類器と長短期記憶(LSTM)ベースの分類器の両方を別々に研究し、抽出した無線特徴を可視化する。
CNNに基づく分類器とLSTMに基づく分類器は、変調基準点に関する類似の無線特徴を抽出する。
特にLSTMを用いた分類器では,得られた電波特性は人間の知識と類似している。
以上の結果から,深層学習に基づく分類器によって抽出された無線特徴は,無線信号の搬送内容に大きく依存しており,短い無線サンプルが誤分類につながる可能性がある。
関連論文リスト
- Semantics Alignment via Split Learning for Resilient Multi-User Semantic
Communication [56.54422521327698]
最近の意味コミュニケーションの研究は、ディープジョイントソースやチャネルコーディング(DeepJSCC)のようなニューラルネットワーク(NN)ベースのトランシーバに依存している。
従来のトランシーバとは異なり、これらのニューラルトランシーバは実際のソースデータとチャネルを使用してトレーニング可能であり、セマンティクスを抽出し通信することができる。
本稿では,分割学習(SL)と部分的NN微調整技術を活用する分散学習ベースソリューションを提案する。
論文 参考訳(メタデータ) (2023-10-13T20:29:55Z) - Radiomics-Informed Deep Learning for Classification of Atrial
Fibrillation Sub-Types from Left-Atrium CT Volumes [32.27899227937808]
心房細動(AF)は急速で不整脈を特徴とし、心不全などの致命的な合併症を引き起こす。
既存の分類手法は、タスクに最適でない可能性のある一般的な放射能的特徴に依存している。
深層学習と放射能アプローチの利点を組み合わせた,放射能インフォームド深層学習法(RIDL)を提案する。
論文 参考訳(メタデータ) (2023-08-14T04:22:36Z) - Keep It Simple: CNN Model Complexity Studies for Interference
Classification Tasks [7.358050500046429]
本研究は,データセットサイズ,CNNモデル複雑性,分類精度のトレードオフを,分類難度に応じて検討する。
3つの無線データセットをベースとした本研究では,パラメータの少ないより単純なCNNモデルと,より複雑なモデルが実現可能であることを示す。
論文 参考訳(メタデータ) (2023-03-06T17:53:42Z) - Frequency and Scale Perspectives of Feature Extraction [5.081561820537235]
ニューラルネットワークの周波数とスケールに対する感度を分析する。
ニューラルネットワークは低周波と中周波のバイアスを持つが、異なるクラスに対して異なる周波数帯域を好む。
これらの観察により、ニューラルネットワークは様々なスケールと周波数で特徴を抽出する能力を学ぶ必要があるという仮説が導かれる。
論文 参考訳(メタデータ) (2023-02-24T06:37:36Z) - Learning Debiased and Disentangled Representations for Semantic
Segmentation [52.35766945827972]
セマンティックセグメンテーションのためのモデルに依存しない訓練手法を提案する。
各トレーニングイテレーションで特定のクラス情報をランダムに除去することにより、クラス間の機能依存を効果的に削減する。
提案手法で訓練したモデルは,複数のセマンティックセグメンテーションベンチマークにおいて強い結果を示す。
論文 参考訳(メタデータ) (2021-10-31T16:15:09Z) - Visualizing Classifier Adjacency Relations: A Case Study in Speaker
Verification and Voice Anti-Spoofing [72.4445825335561]
任意のバイナリ分類器によって生成される検出スコアから2次元表現を導出する簡単な方法を提案する。
ランク相関に基づいて,任意のスコアを用いた分類器の視覚的比較を容易にする。
提案手法は完全に汎用的であり,任意の検出タスクに適用可能だが,自動話者検証と音声アンチスプーフィングシステムによるスコアを用いた手法を実証する。
論文 参考訳(メタデータ) (2021-06-11T13:03:33Z) - Deep Convolutional and Recurrent Networks for Polyphonic Instrument
Classification from Monophonic Raw Audio Waveforms [30.3491261167433]
サウンドイベント検出とオーディオ分類タスクは、伝統的にスペクトログラムなどのオーディオ信号の時間周波数表現を通じて対処されます。
効率的な特徴抽出器としてのディープニューラルネットワークは、分類目的にオーディオ信号を直接使用可能にする。
生の波形を深層学習モデルに入力するだけで,ポリフォニック・オーディオで楽器を認識する。
論文 参考訳(メタデータ) (2021-02-13T13:44:46Z) - Fast accuracy estimation of deep learning based multi-class musical
source separation [79.10962538141445]
本稿では,ニューラルネットワークのトレーニングやチューニングを行うことなく,任意のデータセットにおける楽器の分離性を評価する手法を提案する。
理想的な比マスクを持つオラクルの原理に基づいて、我々の手法は最先端のディープラーニング手法の分離性能を推定するための優れたプロキシである。
論文 参考訳(メタデータ) (2020-10-19T13:05:08Z) - Ensemble Wrapper Subsampling for Deep Modulation Classification [70.91089216571035]
受信した無線信号のサブサンプリングは、ハードウェア要件と信号処理アルゴリズムの計算コストを緩和するために重要である。
本稿では,無線通信システムにおけるディープラーニングを用いた自動変調分類のためのサブサンプリング手法を提案する。
論文 参考訳(メタデータ) (2020-05-10T06:11:13Z) - Learning Class Regularized Features for Action Recognition [68.90994813947405]
本稿では,階層活性化のクラスベース正規化を行うクラス正規化手法を提案する。
動作認識に最先端CNNアーキテクチャのクラス正規化ブロックを用いることで,Kineetics,UCF-101,HMDB-51データセットにおいて,それぞれ1.8%,1.2%,1.4%の体系的改善が得られた。
論文 参考訳(メタデータ) (2020-02-07T07:27:49Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。