論文の概要: CSI2Image: Image Reconstruction from Channel State Information Using
Generative Adversarial Networks
- arxiv url: http://arxiv.org/abs/2009.07100v2
- Date: Wed, 16 Sep 2020 23:58:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 06:25:27.080730
- Title: CSI2Image: Image Reconstruction from Channel State Information Using
Generative Adversarial Networks
- Title（参考訳）: CSI2 Image: Generative Adversarial Networks を用いたチャネル状態情報からの画像再構成
- Authors: Sorachi Kato, Takeru Fukushima, Tomoki Murakami, Hirantha Abeysekera,
Yusuke Iwasaki, Takuya Fujihashi, Takashi Watanabe, Shunsuke Saruwatari
- Abstract要約: 本研究では,物理空間情報を取得するための無線センシング能力の上限を求めることを目的とする。
3種類の学習方法として,gen-er-a-tor-only学習,GAN-only学習,ハイブリッド学習がある。
しかし,複雑な無線センシング問題では,GANはより正確な物理空間情報を持つ一般化画像の再構成に重要である。
- 参考スコア（独自算出の注目度）: 7.291088643042872
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This study aims to find the upper limit of the wireless sensing capability of
acquiring physical space information. This is a challenging objective, because
at present, wireless sensing studies continue to succeed in acquiring novel
phenomena. Thus, although a complete answer cannot be obtained yet, a step is
taken towards it here. To achieve this, CSI2Image, a novel
channel-state-information (CSI)-to-image conversion method based on generative
adversarial networks (GANs), is proposed. The type of physical information
acquired using wireless sensing can be estimated by checking wheth\-er the
reconstructed image captures the desired physical space information. Three
types of learning methods are demonstrated: gen\-er\-a\-tor-only learning,
GAN-only learning, and hybrid learning. Evaluating the performance of CSI2Image
is difficult, because both the clarity of the image and the presence of the
desired physical space information must be evaluated. To solve this problem, a
quantitative evaluation methodology using an object detection library is also
proposed. CSI2Image was implemented using IEEE 802.11ac compressed CSI, and the
evaluation results show that the image was successfully reconstructed. The
results demonstrate that gen\-er\-a\-tor-only learning is sufficient for simple
wireless sensing problems, but in complex wireless sensing problems, GANs are
important for reconstructing generalized images with more accurate physical
space information.
- Abstract（参考訳）: 本研究では,物理空間情報を取得するための無線センシング能力の上限を求めることを目的とする。
ワイヤレスセンシングの研究は、新しい現象の獲得に成功し続けているため、これは難しい目標である。
したがって、完全な回答はまだ得られないが、それに向けてのステップが取られる。
これを実現するために,gans(generative adversarial networks)に基づく新しいチャネル状態情報(csi)から画像への変換手法であるcsi2imageを提案する。
再構成された画像が所望の物理空間情報をキャプチャする度に、無線センシングを用いて取得した物理情報の種類を推定することができる。
gen\-er-a-tor-only learning, GAN-only learning, hybrid learningの3種類の学習方法が示されている。
CSI2画像の性能評価は、画像の明瞭さと所望の物理空間情報の存在の両方を評価する必要があるため困難である。
そこで本研究では,オブジェクト検出ライブラリを用いた定量的評価手法を提案する。
CSI2イメージはIEEE 802.11ac圧縮CSIを用いて実装され、評価結果から画像の再構成に成功した。
以上の結果から, 簡易な無線センシングではgen\-er-a-torのみの学習が十分であることが示されたが, 複雑な無線センシングでは, GANはより正確な物理空間情報を持つ一般化画像の再構成に重要である。
関連論文リスト
- Limited-View Photoacoustic Imaging Reconstruction Via High-quality Self-supervised Neural Representation [4.274771298029378]
HIgh-quality Self-supervised Neural representation (HIS) と呼ばれる自己教師ネットワークを導入する。
HISは、限られた視点で取得したセンサデータから高品質な光音響画像を再構成するために、光音響イメージングの逆問題に取り組む。
その結果,提案したHISモデルは,光音響画像再構成によく用いられる3つの手法と比較して,画質が優れていることがわかった。
論文 参考訳（メタデータ） (2024-07-04T06:07:54Z) - FriendNet: Detection-Friendly Dehazing Network [24.372610892854283]
本稿では,イメージデハジングとオブジェクト検出を,ガイダンス情報とタスク駆動学習によってブリッジする効果的なアーキテクチャを提案する。
FriendNetは、高品質な認識と高い検出能力の両方を提供することを目指している。
論文 参考訳（メタデータ） (2024-03-07T12:19:04Z) - Modular Anti-noise Deep Learning Network for Robotic Grasp Detection
Based on RGB Images [2.759223695383734]
本稿では,単一のRGB画像からつかむポーズを検出するための興味深いアプローチを提案する。
本稿では,認識とセマンティックセグメンテーションを付加したモジュール型学習ネットワークを提案する。
提案手法の有効性と精度を,実践的な実験と評価を通じて実証する。
論文 参考訳（メタデータ） (2023-10-30T02:01:49Z) - Learned Interferometric Imaging for the SPIDER Instrument [5.65707814923407]
本稿では,SPIDER計測装置による画像再構成のための2つのデータ駆動手法を提案する。
ディープラーニングは、トレーニングデータから事前情報を学習し、再構築品質を高め、計算時間を著しく短縮するために使用される。
これらの手法は、天文画像などのトレーニングデータが不足している領域にも適用可能であることを示す。
論文 参考訳（メタデータ） (2023-01-24T19:00:03Z) - DensePose From WiFi [86.61881052177228]
WiFi信号の位相と振幅を24のヒト領域内の紫外線座標にマッピングするディープニューラルネットワークを開発した。
本モデルでは,複数の被験者の密集したポーズを,画像に基づくアプローチと同等の性能で推定することができる。
論文 参考訳（メタデータ） (2022-12-31T16:48:43Z) - An Empirical Study of Remote Sensing Pretraining [117.90699699469639]
本研究では,空中画像におけるリモートセンシング事前訓練(RSP)の実証的研究を行った。
RSPは、シーン認識タスクで特有のパフォーマンスを提供するのに役立つ。
RSPは、従来のイメージネットがRS画像に事前学習する際のデータ格差を緩和するが、それでもタスクの相違に悩まされる可能性がある。
論文 参考訳（メタデータ） (2022-04-06T13:38:11Z) - Learning to Reduce Information Bottleneck for Object Detection in Aerial
Images [5.4547979989237225]
まず,情報ボトルネックの理論から,オブジェクト検出フレームワークにおけるネックネットワークの重要性を分析する。
バックボーンからヘッドネットワークへのブリッジとして機能するグローバルセマンティックネットワークを,双方向のグローバル畳み込み方式で提案する。
既存のネックネットワークと比較して,より詳細な情報と計算コストの低減という利点がある。
論文 参考訳（メタデータ） (2022-04-05T07:46:37Z) - Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
画像再構成に有効な先行画像として, 奥行き画像が導入された。
その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。
計算課題に対処する2段階の学習パラダイムを開発する。
論文 参考訳（メタデータ） (2021-11-23T15:08:26Z) - A New Backbone for Hyperspectral Image Reconstruction [90.48427561874402]
3次元ハイパースペクトル画像(HSI)再構成は、スナップショット圧縮画像の逆過程を指す。
空間/スペクトル不変Residual U-Net、すなわちSSI-ResU-Netを提案する。
SSI-ResU-Net は浮動小数点演算の 77.3% 以上で競合する性能を実現する。
論文 参考訳（メタデータ） (2021-08-17T16:20:51Z) - D-Unet: A Dual-encoder U-Net for Image Splicing Forgery Detection and
Localization [108.8592577019391]
画像スプライシング偽造検出は、画像指紋によって改ざんされた領域と非改ざんされた領域を区別するグローバルバイナリ分類タスクである。
画像スプライシングフォージェリ検出のためのデュアルエンコーダU-Net(D-Unet)という,固定されていないエンコーダと固定エンコーダを用いた新しいネットワークを提案する。
D-Unetと最先端技術の比較実験において、D-Unetは画像レベルおよび画素レベルの検出において他の手法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-03T10:54:02Z) - Ventral-Dorsal Neural Networks: Object Detection via Selective Attention [51.79577908317031]
我々はVDNet(Ventral-Dorsal Networks)と呼ばれる新しいフレームワークを提案する。
人間の視覚システムの構造にインスパイアされた我々は「Ventral Network」と「Dorsal Network」の統合を提案する。
実験の結果,提案手法は最先端の物体検出手法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2020-05-15T23:57:36Z)
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。