Fugu-MT 論文翻訳(概要): DeepRx MIMO: Convolutional MIMO Detection with Learned Multiplicative Transformations

論文の概要: DeepRx MIMO: Convolutional MIMO Detection with Learned Multiplicative Transformations

arxiv url: http://arxiv.org/abs/2010.16283v1
Date: Fri, 30 Oct 2020 14:11:40 GMT
ステータス: 処理完了
システム内更新日: 2022-10-01 17:38:19.327703
Title: DeepRx MIMO: Convolutional MIMO Detection with Learned Multiplicative Transformations
Title（参考訳）: DeepRx MIMO:学習多重変換を用いた畳み込みMIMO検出
Authors: Dani Korpi, Mikko Honkala, Janne M.J. Huttunen, Vesa Starck
Abstract要約: 本稿では、ResNetベースの畳み込みニューラルネットワークであるDeepRxと、いわゆるトランスフォーメーション層を組み合わせたディープラーニングベースのレシーバアーキテクチャを提案する。我々の知る限り、これらは、完全に学習された受信機にそのような高い性能を示す最初の結果である。
参考スコア（独自算出の注目度）: 7.775752249659354
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recently, deep learning has been proposed as a potential technique for improving the physical layer performance of radio receivers. Despite the large amount of encouraging results, most works have not considered spatial multiplexing in the context of multiple-input and multiple-output (MIMO) receivers. In this paper, we present a deep learning-based MIMO receiver architecture that consists of a ResNet-based convolutional neural network, also known as DeepRx, combined with a so-called transformation layer, all trained together. We propose two novel alternatives for the transformation layer: a maximal ratio combining-based transformation, or a fully learned transformation. The former relies more on expert knowledge, while the latter utilizes learned multiplicative layers. Both proposed transformation layers are shown to clearly outperform the conventional baseline receiver, especially with sparse pilot configurations. To the best of our knowledge, these are some of the first results showing such high performance for a fully learned MIMO receiver.
Abstract（参考訳）: 近年,無線受信機の物理層性能向上のための潜在的な技術としてディープラーニングが提案されている。大量の励まし結果にもかかわらず、ほとんどの研究は、マルチインプットとマルチアウトプット(MIMO)レシーバーの文脈において空間多重化を考慮していない。本稿では,resnetベースの畳み込みニューラルネットワークであるdeeprxと,いわゆるトランスフォーメーション層を組み合わせた,ディープラーニングベースのmimoレシーバアーキテクチャを提案する。変換層に対して,最大比組合せ変換,あるいは完全学習変換という2つの新しい方法を提案する。前者は専門知識に依存し、後者は学習した乗算層を利用する。提案するトランスフォーメーションレイヤはいずれも,従来のベースラインレシーバ,特にパイロット構成の疎さを明らかに上回っている。我々の知る限り、これらは完全に学習されたMIMO受信機の性能を示す最初の成果である。

関連論文リスト

H-DenseFormer: An Efficient Hybrid Densely Connected Transformer for Multimodal Tumor Segmentation [5.999728323822383]
本稿では,H-DenseFormerという腫瘍分割のためのハイブリッドネットワークを提案する。具体的には、H-DenseFormerはTransformerベースのMulti-path Parallel Embedding (MPE)モジュールを統合する。実験の結果,提案手法は計算量が少なく,既存の最先端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） (2023-07-04T05:31:09Z)
Characterization of anomalous diffusion through convolutional transformers [0.8984888893275713]
本稿では, 異常拡散のキャラクタリゼーションのためのトランスフォーマーに基づくニューラルネットワークアーキテクチャを提案する。新たなアーキテクチャであるConvTransformer(ConvTransformer)は、二層畳み込みニューラルネットワークを使用して、拡散軌道から特徴を抽出します。我々は,ConvTransformerが,短い軌跡において,基礎となる拡散状態を決定する上で,従来の技術よりも優れていることを示す。
論文参考訳（メタデータ） (2022-10-10T18:53:13Z)
Rich CNN-Transformer Feature Aggregation Networks for Super-Resolution [50.10987776141901]
近年の視覚変換器と自己注意は,様々なコンピュータビジョンタスクにおいて有望な成果を上げている。我々は,CNNの局所的特徴とトランスフォーマーが捉えた長距離依存性を活用する,超解像(SR)タスクのための効果的なハイブリッドアーキテクチャを提案する。提案手法は,多数のベンチマークデータセットから最先端のSR結果を得る。
論文参考訳（メタデータ） (2022-03-15T06:52:25Z)
TransCMD: Cross-Modal Decoder Equipped with Transformer for RGB-D Salient Object Detection [86.94578023985677]
本研究では,グローバルな情報アライメントと変革の観点から,この課題を再考する。具体的には、トランスCMD(TransCMD)は、複数のクロスモーダル統合ユニットをカスケードして、トップダウントランスフォーマーベースの情報伝達経路を構築する。 7つのRGB-D SODベンチマークデータセットの実験結果から、単純な2ストリームエンコーダデコーダフレームワークが、最先端のCNNベースの手法を超越できることが示されている。
論文参考訳（メタデータ） (2021-12-04T15:45:34Z)
Large Scale Audio Understanding without Transformers/ Convolutions/ BERTs/ Mixers/ Attention/ RNNs or .... [4.594159253008448]
本稿では,従来の最先端のニューラルアーキテクチャを使わずに大規模音声理解を実現する方法を提案する。私たちのアプローチには、コンボリューション、再発、注意、トランスフォーマー、BERTのような他のアプローチはありません。 SimCLRのアプローチに似た分類ヘッド(フィードフォワード層)は、学習された表現に基づいて訓練される。
論文参考訳（メタデータ） (2021-10-07T05:00:26Z)
Machine Learning-enhanced Receive Processing for MU-MIMO OFDM Systems [15.423422040627331]
機械学習は、マルチユーザマルチインプットマルチアウトプット(MU-MIMO)受信処理を改善するために使用できる。本稿では,従来の受信機の利点を保ちつつ,特定の部品をMLコンポーネントで強化する新たな戦略を提案する。
論文参考訳（メタデータ） (2021-06-30T14:02:27Z)
Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。 OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
論文参考訳（メタデータ） (2021-06-16T15:56:34Z)
Transformers Solve the Limited Receptive Field for Monocular Depth Prediction [82.90445525977904]
畳み込みニューラルネットワークとトランスの両方の恩恵を受けるアーキテクチャであるTransDepthを提案します。連続ラベルを含む画素単位での予測問題にトランスフォーマーを適用する最初の論文である。
論文参考訳（メタデータ） (2021-03-22T18:00:13Z)
Solving Mixed Integer Programs Using Neural Networks [57.683491412480635]
本稿では,mipソルバの2つのキーサブタスクに学習を適用し,高品質なジョイント変数割当を生成し,その割当と最適課題との客観的値の差を限定する。提案手法は,ニューラルネットワークに基づく2つのコンポーネントであるニューラルダイバーディングとニューラルブランチを構築し,SCIPなどのベースMIPソルバで使用する。 2つのGoogle生産データセットとMIPLIBを含む6つの現実世界データセットに対するアプローチを評価し、それぞれに別々のニューラルネットワークをトレーニングする。
論文参考訳（メタデータ） (2020-12-23T09:33:11Z)
DO-Conv: Depthwise Over-parameterized Convolutional Layer [66.46704754669169]
本稿では,各入力チャネルが異なる2次元カーネルに変換されるような,奥行きの畳み込みを付加した畳み込み層の拡張を提案する。従来の畳み込み層をDO-Conv層に置き換えただけでCNNの性能が向上することを示す。
論文参考訳（メタデータ） (2020-06-22T06:57:10Z)
Learning to map between ferns with differentiable binary embedding networks [4.827284036182784]
本稿では,エンド・ツー・エンド・ネットワークにおける異種ランダム・ファーンの適用を可能にする新しい概念を提案する。次に、ディープネットワークアーキテクチャにおける乗算不要な畳み込み層として使用することができる。
論文参考訳（メタデータ） (2020-05-26T08:13:23Z)

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。