論文の概要: Moving Object Classification with a Sub-6 GHz Massive MIMO Array using Real Data

• arxiv url: http://arxiv.org/abs/2102.04892v1
• Date: Tue, 9 Feb 2021 15:48:35 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-10 14:47:27.622407
• Title: Moving Object Classification with a Sub-6 GHz Massive MIMO Array using Real Data
• Title（参考訳）: 実データを用いたサブ6GHz大容量MIMOアレイによる移動物体分類
• Authors: B. R. Manoj, Guoda Tian, Sara Gunnarsson, Fredrik Tufvesson, Erik G. Larsson
• Abstract要約: 無線信号を用いた屋内環境における各種活動の分類は,様々な応用の新たな技術である。 本論文では,屋内環境におけるマルチインプット・マルチアウトプット(MIMO)システムから,機械学習を用いて移動物体の分類を解析する。
• 参考スコア（独自算出の注目度）: 64.48836187884325
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Classification between different activities in an indoor environment using wireless signals is an emerging technology for various applications, including intrusion detection, patient care, and smart home. Researchers have shown different methods to classify activities and their potential benefits by utilizing WiFi signals. In this paper, we analyze classification of moving objects by employing machine learning on real data from a massive multi-input-multi-output (MIMO) system in an indoor environment. We conduct measurements for different activities in both line-of-sight and non line-of-sight scenarios with a massive MIMO testbed operating at 3.7 GHz. We propose algorithms to exploit amplitude and phase-based features classification task. For the considered setup, we benchmark the classification performance and show that we can achieve up to 98% accuracy using real massive MIMO data, even with a small number of experiments. Furthermore, we demonstrate the gain in performance results with a massive MIMO system as compared with that of a limited number of antennas such as in WiFi devices.
• Abstract（参考訳）: 無線信号を用いた屋内環境におけるさまざまな活動の分類は,侵入検知,患者ケア,スマートホームなど,様々な応用の新たな技術である。 研究者は、WiFi信号を利用して活動とその潜在的な利益を分類するさまざまな方法を示しています。 本稿では,屋内環境における大規模マルチインプットマルチアウトプット(MIMO)システムを用いた実データを用いた機械学習による移動物体の分類について検討する。 我々は,3.7GHzで動作するMIMOテストベッドを用いて,視線・視線両シナリオの異なる動作の測定を行う。 振幅と位相に基づく特徴分類タスクを利用するアルゴリズムを提案する。 検討した設定では、分類性能をベンチマークし、少数の実験でも実際のMIMOデータを用いて最大98%の精度で達成可能であることを示す。 さらに,wi-fiデバイスのような限られた数のアンテナと比較して,大規模mimoシステムによる性能向上を実証する。

関連論文リスト

• How Important are Data Augmentations to Close the Domain Gap for Object Detection in Orbit? [15.550663626482903]
  宇宙空間におけるコンピュータビジョンの領域ギャップを埋めるためのデータ拡張の有効性について検討する。 本稿では,軌道画像に観察される視覚効果をエミュレートするために開発された2つの新しいデータ拡張法を提案する。
  論文  参考訳（メタデータ） (2024-10-21T08:24:46Z)
• MixNet: Joining Force of Classical and Modern Approaches Toward the Comprehensive Pipeline in Motor Imagery EEG Classification [12.227138730377503]
  MixNetは、MIデータからのスペクトル空間信号を利用して制限を克服するために設計された新しい分類フレームワークである。 適応的な勾配ブレンディングを実装し、複数の損失重みを同時に調整し、その一般化/過度化傾向に基づいて各タスクの学習速度を調整する。 結果は、MixNetが主観的および非依存的な設定において、すべての最先端のアルゴリズムを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2024-09-06T08:14:58Z)
• Improved Indoor Localization with Machine Learning Techniques for IoT applications [0.0]
  本研究では, 教師付き回帰器, 教師付き分類器, RSSIを用いた屋内位置推定のためのアンサンブル手法の3段階に機械学習アルゴリズムを適用した。 実験の結果は、屋内環境におけるローカライズ精度とロバスト性の観点から、異なる教師付き機械学習技術の有効性に関する洞察を与える。
  論文  参考訳（メタデータ） (2024-02-18T02:55:19Z)
• WiFi Based Distance Estimation Using Supervised Machine Learning [0.0]
  近年、WiFiは人やデバイスを屋内で見つけるための主要な情報源となっている。 所定のWiFi指紋間の空間距離を測定することは、信号距離関数の選択によって大きく影響を受ける。 本研究では,指紋間の地理空間距離を推定するための機械学習の利用を提案する。
  論文  参考訳（メタデータ） (2022-08-15T13:48:46Z)
• Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
  我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。 信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
  論文  参考訳（メタデータ） (2022-06-29T23:22:18Z)
• Mobile Behavioral Biometrics for Passive Authentication [65.94403066225384]
  本研究は, 単モーダルおよび多モーダルな行動的生体特性の比較分析を行った。 HuMIdbは、最大かつ最も包括的なモバイルユーザインタラクションデータベースである。 我々の実験では、最も識別可能な背景センサーは磁力計であり、タッチタスクではキーストロークで最良の結果が得られる。
  論文  参考訳（メタデータ） (2022-03-14T17:05:59Z)
• MetaGraspNet: A Large-Scale Benchmark Dataset for Vision-driven Robotic Grasping via Physics-based Metaverse Synthesis [78.26022688167133]
  本稿では,物理に基づくメタバース合成による視覚駆動型ロボットグルーピングのための大規模ベンチマークデータセットを提案する。 提案するデータセットには,10万の画像と25種類のオブジェクトが含まれている。 また,オブジェクト検出とセグメンテーション性能を評価するためのデータセットとともに,新しいレイアウト重み付け性能指標を提案する。
  論文  参考訳（メタデータ） (2021-12-29T17:23:24Z)
• Domain and Modality Gaps for LiDAR-based Person Detection on Mobile Robots [91.01747068273666]
  本稿では,移動ロボットのシナリオに着目した既存のLiDAR人物検出装置について検討する。 実験は3Dと2D LiDARのセンサー間のモダリティのギャップだけでなく、運転と移動ロボットのシナリオ間の領域ギャップを回避している。 その結果、LiDARに基づく人物検出の実践的な洞察を与え、関連する移動ロボットの設計と応用に関する情報決定を容易にする。
  論文  参考訳（メタデータ） (2021-06-21T16:35:49Z)
• Self-Supervised WiFi-Based Activity Recognition [3.4473723375416188]
  屋内環境における受動的活動認識のためのWi-Fiデバイスから微細な物理層情報を抽出する。 自己監督型コントラスト学習による活動認識性能の向上を提案する。 WiFiによる活動認識のタスクにおいて,マクロ平均F1スコアの17.7%の増加が観察された。
  論文  参考訳（メタデータ） (2021-04-19T06:40:21Z)
• Multi-Task Incremental Learning for Object Detection [71.57155077119839]
  マルチタスクは、知識と計算を共有しながら、複数のタスクを学習する。 古いデータにアクセスせずに漸進的に学習すると、過去の知識を壊滅的に忘れてしまう。
  論文  参考訳（メタデータ） (2020-02-13T04:58:37Z)

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。