論文の概要: Quantized Neural Networks for Radar Interference Mitigation
- arxiv url: http://arxiv.org/abs/2011.12706v2
- Date: Tue, 1 Dec 2020 08:48:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-21 03:47:58.762122
- Title: Quantized Neural Networks for Radar Interference Mitigation
- Title（参考訳）: レーダ干渉緩和のための量子ニューラルネットワーク
- Authors: Johanna Rock, Wolfgang Roth, Paul Meissner, Franz Pernkopf
- Abstract要約: CNNに基づくノイズ除去と干渉緩和のアプローチはレーダ処理に有望な結果をもたらす。
本稿では,CNNに基づくレーダ信号のノイズ除去と干渉緩和のための量子化手法について検討する。
- 参考スコア（独自算出の注目度）: 14.540226579203207
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Radar sensors are crucial for environment perception of driver assistance
systems as well as autonomous vehicles. Key performance factors are weather
resistance and the possibility to directly measure velocity. With a rising
number of radar sensors and the so far unregulated automotive radar frequency
band, mutual interference is inevitable and must be dealt with. Algorithms and
models operating on radar data in early processing stages are required to run
directly on specialized hardware, i.e. the radar sensor. This specialized
hardware typically has strict resource-constraints, i.e. a low memory capacity
and low computational power. Convolutional Neural Network (CNN)-based
approaches for denoising and interference mitigation yield promising results
for radar processing in terms of performance. However, these models typically
contain millions of parameters, stored in hundreds of megabytes of memory, and
require additional memory during execution. In this paper we investigate
quantization techniques for CNN-based denoising and interference mitigation of
radar signals. We analyze the quantization potential of different CNN-based
model architectures and sizes by considering (i) quantized weights and (ii)
piecewise constant activation functions, which results in reduced memory
requirements for model storage and during the inference step respectively.
- Abstract（参考訳）: レーダセンサーは、運転支援システムや自動運転車の環境認識に不可欠である。
主な性能要因は、耐候性と直接速度測定の可能性である。
レーダーセンサーの数が増加し、これまでに規制されていない自動車レーダ周波数帯により、相互干渉は避けられず、対処されなければならない。
初期の処理段階でレーダーデータを操作するアルゴリズムとモデルは、特定のハードウェア、すなわちレーダーセンサー上で直接動作する必要がある。
この特別なハードウェアは、典型的には厳しいリソース制約、すなわちメモリ容量が低く、計算能力が低い。
畳み込みニューラルネットワーク(CNN)に基づくノイズ除去と干渉緩和のアプローチは、性能の観点からレーダ処理に有望な結果をもたらす。
しかし、これらのモデルは通常数百万のパラメータを含み、数百メガバイトのメモリに格納され、実行中に追加のメモリを必要とする。
本稿では,CNNに基づくレーダ信号のノイズ除去と干渉緩和のための量子化手法について検討する。
異なるCNNモデルアーキテクチャとサイズの量子化ポテンシャルを考察して分析する。
(i)量化重量及び
(II) 断片的に一定のアクティベーション関数により、それぞれモデルストレージと推論ステップにおけるメモリ要求が減少する。
関連論文リスト
- Radar Fields: Frequency-Space Neural Scene Representations for FMCW Radar [62.51065633674272]
本稿では,アクティブレーダイメージア用に設計されたニューラルシーン再構成手法であるRadar Fieldsを紹介する。
提案手法では,暗黙的ニューラルジオメトリとリフレクタンスモデルを用いて,暗黙的な物理インフォームドセンサモデルを構築し,生のレーダ測定を直接合成する。
本研究では,密集した車両やインフラを備えた都市景観を含む,多様な屋外シナリオにおける手法の有効性を検証する。
論文 参考訳（メタデータ） (2024-05-07T20:44:48Z) - End-to-End Training of Neural Networks for Automotive Radar Interference
Mitigation [9.865041274657823]
本稿では,周波数変調連続波(WFMC)レーダ相互干渉緩和のためのニューラルネットワーク(NN)のトレーニング手法を提案する。
NNが干渉されたレーダー信号をきれいにするために訓練する代わりに、NNをオブジェクト検出マップ上で直接訓練する。
我々は,レーダを用いた物体検出のアルゴリズムであるCA-CFARピーク検出器の連続的な緩和を行う。
論文 参考訳（メタデータ） (2023-12-15T13:47:16Z) - Enhancing Reliability in Federated mmWave Networks: A Practical and
Scalable Solution using Radar-Aided Dynamic Blockage Recognition [14.18507067281377]
本稿では,ミリ波(mmWave)およびテラヘルツ(THz)ネットワークサービスの動的屋外環境における信頼性向上のための新しい手法を提案する。
これらの設定では、人や車などの障害物を動かすことで、視線接続(LoS)が簡単に中断される。
提案手法はRadar-Aided Blockage Dynamic Recognition (RaDaR)と呼ばれ、レーダー計測とフェデレートラーニング(FL)を活用して、二重出力ニューラルネットワーク(NN)モデルをトレーニングする。
論文 参考訳（メタデータ） (2023-06-22T10:10:25Z) - Semantic Segmentation of Radar Detections using Convolutions on Point
Clouds [59.45414406974091]
本稿では,レーダ検出を点雲に展開する深層学習手法を提案する。
このアルゴリズムは、距離依存クラスタリングと入力点雲の事前処理により、レーダ固有の特性に適応する。
我々のネットワークは、レーダポイント雲のセマンティックセグメンテーションのタスクにおいて、PointNet++に基づく最先端のアプローチよりも優れています。
論文 参考訳（メタデータ） (2023-05-22T07:09:35Z) - NVRadarNet: Real-Time Radar Obstacle and Free Space Detection for
Autonomous Driving [57.03126447713602]
本稿では,自動車のRADARセンサを用いて動的障害物や乾燥可能な自由空間を検出するディープニューラルネットワーク(DNN)を提案する。
ネットワークは組み込みGPU上でリアルタイムよりも高速に動作し、地理的領域にわたって優れた一般化を示す。
論文 参考訳（メタデータ） (2022-09-29T01:30:34Z) - Resource-efficient Deep Neural Networks for Automotive Radar
Interference Mitigation [13.310007106264747]
CNNに基づくノイズ除去と干渉緩和のアプローチはレーダ処理に有望な結果をもたらす。
本稿では,CNNに基づくレーダ信号のノイズ除去と干渉緩和のための量子化手法について検討する。
実値ベースラインに比べて約80%のメモリ削減を実現している。
論文 参考訳（メタデータ） (2022-01-25T14:41:08Z) - Complex-valued Convolutional Neural Networks for Enhanced Radar Signal
Denoising and Interference Mitigation [73.0103413636673]
本稿では,レーダセンサ間の相互干渉問題に対処するために,複合価値畳み込みニューラルネットワーク(CVCNN)を提案する。
CVCNNはデータ効率を高め、ネットワークトレーニングを高速化し、干渉除去時の位相情報の保存を大幅に改善する。
論文 参考訳（メタデータ） (2021-04-29T10:06:29Z) - Deep Interference Mitigation and Denoising of Real-World FMCW Radar
Signals [16.748215232763517]
実世界レーダ計測における干渉緩和のための畳み込みニューラルネットワーク(CNN)に基づくアプローチの評価を行った。
実測値と模擬干渉を組み合わせることで,モデルの学習に適した入力出力データを生成する。
論文 参考訳（メタデータ） (2020-12-04T11:22:13Z) - LiRaNet: End-to-End Trajectory Prediction using Spatio-Temporal Radar
Fusion [52.59664614744447]
本稿では,レーダセンサ情報と広範に使用されているライダーと高精細度(HD)マップを用いた新しい終端軌道予測手法LiRaNetを提案する。
自動車レーダーは、リッチで補完的な情報を提供し、より長い距離の車両検出と即時速度測定を可能にします。
論文 参考訳（メタデータ） (2020-10-02T00:13:00Z) - RadarNet: Exploiting Radar for Robust Perception of Dynamic Objects [73.80316195652493]
我々は、自動運転車の文脈における認識のためにRadarを利用する問題に取り組む。
我々は、LiDARとRadarの両方のセンサーを知覚に利用した新しいソリューションを提案する。
RadarNetと呼ばれる我々のアプローチは、ボクセルベースの早期核融合と注意に基づく後期核融合を特徴としている。
論文 参考訳（メタデータ） (2020-07-28T17:15:02Z)
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。