論文の概要: Deep Learning for Radio-based Human Sensing: Recent Advances and Future Directions

• arxiv url: http://arxiv.org/abs/2010.12717v2
• Date: Sun, 7 Feb 2021 23:47:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-04 00:11:18.625467
• Title: Deep Learning for Radio-based Human Sensing: Recent Advances and Future Directions
• Title（参考訳）: 無線センシングのための深層学習--最近の進歩と今後の展望
• Authors: Isura Nirmal, Abdelwahed Khamis, Mahbub Hassan, Wen Hu, Xiaoqing Zhu
• Abstract要約: ディープ・ラーニングを応用して、無線によるセンシングを新たなレベルに引き上げることに成功している。 深層学習はまた、これまで不可能だった新しい人間の知覚現象の検出を可能にした。 深層学習に基づくRFセンシングの現在の限界と今後の方向性を概説した。
• 参考スコア（独自算出の注目度）: 16.164651393602508
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While decade-long research has clearly demonstrated the vast potential of radio frequency (RF) for many human sensing tasks, scaling this technology to large scenarios remained problematic with conventional approaches. Recently, researchers have successfully applied deep learning to take radio-based sensing to a new level. Many different types of deep learning models have been proposed to achieve high sensing accuracy over a large population and activity set, as well as in unseen environments. Deep learning has also enabled detection of novel human sensing phenomena that were previously not possible. In this survey, we provide a comprehensive review and taxonomy of recent research efforts on deep learning based RF sensing. We also identify and compare several publicly released labeled RF sensing datasets that can facilitate such deep learning research. Finally, we summarize the lessons learned and discuss the current limitations and future directions of deep learning based RF sensing.
• Abstract（参考訳）: 10年にわたる研究により、多くの人体検知タスクにおいてRF(Radio frequency)の可能性が明らかに示されたが、従来の手法では問題があった。 近年,無線によるセンシングを新たなレベルに引き上げるために,ディープラーニングの応用が成功している。 多くの異なるタイプのディープラーニングモデルが、多くの人口と活動セット、および目に見えない環境において高い知覚精度を達成するために提案されている。 深層学習はまた、これまで不可能だった新しい人間の知覚現象の検出を可能にした。 本稿では,近年の深層学習に基づくRFセンシング研究の総合的なレビューと分類について紹介する。 また、これらの深層学習研究を促進するために、ラベル付きRFセンシングデータセットを公開して比較する。 最後に、学習した教訓を要約し、深層学習に基づくRFセンシングの現在の限界と今後の方向性について論じる。

関連論文リスト

• Remote Sensing Object Detection Meets Deep Learning: A Meta-review of Challenges and Advances [51.70835702029498]
  本稿では,ディープラーニングに基づくRSOD手法の最近の成果を概観する。 RSODの主な課題として,マルチスケールオブジェクト検出,回転オブジェクト検出,弱いオブジェクト検出,小さなオブジェクト検出,限られた監視を伴うオブジェクト検出の5つを挙げる。 また、RSODの分野で広く使用されているベンチマークデータセットと評価指標、およびRSODのアプリケーションシナリオについてもレビューする。
  論文  参考訳（メタデータ） (2023-09-13T06:48:32Z)
• Deep Industrial Image Anomaly Detection: A Survey [85.44223757234671]
  近年の深層学習の急速な発展は,産業用画像異常検出(IAD)のマイルストーンとなった 本稿では,ディープラーニングによる画像異常検出手法の総合的なレビューを行う。 画像異常検出のオープニング課題をいくつか取り上げる。
  論文  参考訳（メタデータ） (2023-01-27T03:18:09Z)
• Deep Learning for Face Anti-Spoofing: A Survey [74.42603610773931]
  対面防止(FAS)は、プレゼンテーションアタック(PA)から顔認識システムを保護する上で重要な役割を担っているため、近年注目を集めている。
  論文  参考訳（メタデータ） (2021-06-28T19:12:00Z)
• A Comprehensive Survey on Community Detection with Deep Learning [93.40332347374712]
  コミュニティは、ネットワーク内の他のコミュニティと異なるメンバーの特徴と接続を明らかにする。 この調査は、最先端の手法の様々なカテゴリをカバーする新しい分類法を考案し、提案する。 ディープニューラルネットワーク(Deep Neural Network)は、畳み込みネットワーク(convolutional network)、グラフアテンションネットワーク( graph attention network)、生成的敵ネットワーク(generative adversarial network)、オートエンコーダ(autoencoder)に分けられる。
  論文  参考訳（メタデータ） (2021-05-26T14:37:07Z)
• A Survey on Deep Learning Techniques for Video Anomaly Detection [0.0]
  本稿では,ディープラーニングを用いた異常検出の分野における最近の進歩について概観する。 ディープラーニングは、コンピュータビジョンや自然言語処理など、人工知能の多くの分野で成功している。
  論文  参考訳（メタデータ） (2020-09-29T16:40:46Z)
• Deep Learning for Anomaly Detection: A Review [150.9270911031327]
  本稿では,3つの高レベルカテゴリと11の細粒度カテゴリの進歩を網羅した包括的分類法による深部異常検出の研究について調査する。 我々は、それらの重要な直観、客観的機能、基礎となる仮定、利点とデメリットをレビューし、上記の課題にどのように対処するかについて議論する。
  論文  参考訳（メタデータ） (2020-07-06T02:21:16Z)
• Deep Learning Meets SAR [27.996959802587998]
  リモートセンシングにおける深層学習は国際的な誇大広告となっているが、主に光学データの評価に限られている。 深層学習はSAR(Synthetic Aperture Radar)データ処理で導入されているが、最初の試みが成功したにもかかわらず、その大きな可能性はまだロックされていない。
  論文  参考訳（メタデータ） (2020-06-17T17:46:36Z)
• Deep learning approaches for neural decoding: from CNNs to LSTMs and spikes to fMRI [2.0178765779788495]
  神経信号から直接の行動、知覚、認知状態の復号化は、脳-コンピュータインタフェースの研究に応用されている。 過去10年間で、ディープラーニングは多くの機械学習タスクにおいて最先端の手法になっている。 ディープラーニングは、幅広いタスクにわたるニューラルデコーディングの正確性と柔軟性を改善するための有用なツールであることが示されている。
  論文  参考訳（メタデータ） (2020-05-19T18:10:35Z)
• Harvesting Ambient RF for Presence Detection Through Deep Learning [12.535149305258171]
  本稿では,深層学習による人的存在検出における環境無線周波数(RF)信号の利用について検討する。 WiFi信号を例として,受信機で取得したチャネル状態情報(CSI)が伝搬環境に関する豊富な情報を含んでいることを示す。 畳み込みニューラルネットワーク(CNN)は、大きさと位相情報の両方を適切に訓練し、信頼性の高い存在検出を実現するように設計されている。
  論文  参考訳（メタデータ） (2020-02-13T20:35:55Z)
• Deep Learning for Sensor-based Human Activity Recognition: Overview, Challenges and Opportunities [52.59080024266596]
  本稿では,センサを用いた人間の活動認識のための最先端のディープラーニング手法について調査する。 まず、官能データのマルチモーダリティを導入し、公開データセットに情報を提供する。 次に、課題によって深層メソッドを構築するための新しい分類法を提案する。
  論文  参考訳（メタデータ） (2020-01-21T09:55:59Z)

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。