論文の概要: Automotive Radar Interference Mitigation with Unfolded Robust PCA based
on Residual Overcomplete Auto-Encoder Blocks
- arxiv url: http://arxiv.org/abs/2010.10357v2
- Date: Sat, 17 Apr 2021 11:37:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-07 13:09:34.321481
- Title: Automotive Radar Interference Mitigation with Unfolded Robust PCA based
on Residual Overcomplete Auto-Encoder Blocks
- Title（参考訳）: 残余超完全オートエンコーダブロックに基づくロバストPCAによる自動車レーダ干渉軽減
- Authors: Nicolae-C\u{a}t\u{a}lin Ristea, Andrei Anghel, Radu Tudor Ionescu,
Yonina C. Eldar
- Abstract要約: 自律走行では、レーダーシステムは道路上の他の車両のような標的を検出する上で重要な役割を果たす。
自動車用レーダー干渉緩和のための深層学習手法は、目標の振幅を確実に推定できるが、それぞれの目標の位相を回復できない。
干渉の有無で振幅と位相の両方を推定できる効率的かつ効率的な手法を提案する。
- 参考スコア（独自算出の注目度）: 88.46770122522697
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In autonomous driving, radar systems play an important role in detecting
targets such as other vehicles on the road. Radars mounted on different cars
can interfere with each other, degrading the detection performance. Deep
learning methods for automotive radar interference mitigation can succesfully
estimate the amplitude of targets, but fail to recover the phase of the
respective targets. In this paper, we propose an efficient and effective
technique based on unfolded robust Principal Component Analysis (RPCA) that is
able to estimate both amplitude and phase in the presence of interference. Our
contribution consists in introducing residual overcomplete auto-encoder
(ROC-AE) blocks into the recurrent architecture of unfolded RPCA, which results
in a deeper model that significantly outperforms unfolded RPCA as well as other
deep learning models.
- Abstract（参考訳）: 自動運転では、レーダーシステムは道路上の他の車両などのターゲットを検出する上で重要な役割を果たす。
異なる車両に搭載されたレーダーは互いに干渉し、検出性能を低下させる。
自動車用レーダー干渉緩和のための深層学習手法は、目標の振幅を確実に推定できるが、それぞれの目標の位相を回復できない。
本稿では、干渉の有無の振幅と位相の両方を推定できる、展開された頑健な主成分分析(RPCA)に基づく効率的かつ効果的な手法を提案する。
我々の貢献は、残余のオーバーコンプリートオートエンコーダ(ROC-AE)ブロックを未開のRPCAの繰り返しアーキテクチャに導入することであり、その結果、未開のRPCAや他のディープラーニングモデルよりも大幅に優れるより深いモデルが得られる。
関連論文リスト
- Angle of Arrival Estimation with Transformer: A Sparse and Gridless Method with Zero-Shot Capability [3.110068567404913]
本研究では,高速グリッドレスAOA推定のためのAAETR (Angle of Arrival Estimation with TRansformer)を提案する。
様々な信号対雑音比(SNR)とマルチターゲットシナリオの総合的な評価は、AAETRの超分解能AOAアルゴリズムよりも優れた性能を示している。
論文 参考訳（メタデータ） (2024-08-18T05:24:18Z) - Multistatic-Radar RCS-Signature Recognition of Aerial Vehicles: A Bayesian Fusion Approach [10.908489565519211]
無人航空機(UAV)用のレーダー自動目標認識(RATR)は、電磁波(EMW)を送信し、受信したレーダーエコーに対して目標型認識を行う。
これまでの研究では、RATRにおけるモノスタティックレーダよりも、マルチスタティックレーダの構成の利点を強調していた。
本稿では,複数のレーダからの分類確率ベクトルを集約するために,OBF(Optimal Bayesian Fusion)を用いた完全ベイズRATRフレームワークを提案する。
論文 参考訳（メタデータ） (2024-02-28T02:11:47Z) - Leveraging Self-Supervised Instance Contrastive Learning for Radar
Object Detection [7.728838099011661]
本稿では,レーダ物体検出装置を事前訓練する際,RCLを例に紹介する。
我々は、より少ないデータで学習するために、物体検出器のバックボーン、頭、首を事前訓練することを目指している。
論文 参考訳（メタデータ） (2024-02-13T12:53:33Z) - Multi-stage Learning for Radar Pulse Activity Segmentation [51.781832424705094]
無線信号認識は電子戦において重要な機能である。
電子戦システムでは、レーダパルス活動の正確な識別と位置決めが要求される。
ディープラーニングに基づくレーダーパルス活動認識法は、ほとんど未検討のままである。
論文 参考訳（メタデータ） (2023-12-15T01:56:27Z) - DRUformer: Enhancing the driving scene Important object detection with
driving relationship self-understanding [50.81809690183755]
交通事故はしばしば致命傷を負い、2023年まで5000万人以上の死者を出した。
従来の研究は、主に個々の参加者の重要性を評価し、それらを独立した存在として扱うものであった。
本稿では、重要な物体検出タスクを強化するために、運転シーン関連自己理解変換器(DRUformer)を紹介する。
論文 参考訳（メタデータ） (2023-11-11T07:26:47Z) - Camera-Radar Perception for Autonomous Vehicles and ADAS: Concepts,
Datasets and Metrics [77.34726150561087]
本研究の目的は、ADASおよび自動運転車のカメラおよびレーダーによる認識の現在のシナリオに関する研究を行うことである。
両センサと融合に関する概念と特徴を提示する。
本稿では、ディープラーニングに基づく検出とセグメンテーションタスクの概要と、車両の認識における主要なデータセット、メトリクス、課題、オープンな質問について説明する。
論文 参考訳（メタデータ） (2023-03-08T00:48:32Z) - Certified Interpretability Robustness for Class Activation Mapping [77.58769591550225]
本稿では,解釈可能性マップのためのCORGI(Certifiable prOvable Robustness Guarantees)を提案する。
CORGIは入力画像を取り込み、そのCAM解釈可能性マップのロバスト性に対する証明可能な下限を与えるアルゴリズムである。
交通標識データを用いたケーススタディによるCORGIの有効性を示す。
論文 参考訳（メタデータ） (2023-01-26T18:58:11Z) - Deep Instance Segmentation with High-Resolution Automotive Radar [2.167586397005864]
本稿では,レーダ検出点を用いた2つの効率的な分割法を提案する。
1つは、PointNet++フレームワークを使用してエンドツーエンドのディープラーニング駆動方式で実装されている。
もう一つは、セマンティック情報を用いたレーダー検出点のクラスタリングに基づいている。
論文 参考訳（メタデータ） (2021-10-05T01:18:27Z) - R4Dyn: Exploring Radar for Self-Supervised Monocular Depth Estimation of
Dynamic Scenes [69.6715406227469]
駆動シナリオにおける自己教師付き単眼深度推定は、教師付きアプローチに匹敵する性能を達成した。
本稿では,自己監督型深度推定フレームワーク上に費用効率の高いレーダデータを利用する新しい手法であるR4Dynを提案する。
論文 参考訳（メタデータ） (2021-08-10T17:57:03Z) - Estimating the Magnitude and Phase of Automotive Radar Signals under
Multiple Interference Sources with Fully Convolutional Networks [22.081568892330996]
レーダーセンサーは徐々に道路車両の広範に普及し、自動運転と道路安全において重要な役割を担っている。
レーダーセンサーの広範な採用により、異なる車両からのセンサー間の干渉の機会が増加し、破損したレンジプロファイルとレンジ・ドップラーマップが生成される。
本稿では,自動車用レーダ干渉緩和のための完全畳み込みニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2020-08-11T18:50:38Z)
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。