論文の概要: Deep Learning Radio Frequency Signal Classification with Hybrid Images
- arxiv url: http://arxiv.org/abs/2105.09063v1
- Date: Wed, 19 May 2021 11:12:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-20 13:40:22.938150
- Title: Deep Learning Radio Frequency Signal Classification with Hybrid Images
- Title(参考訳): ハイブリッド画像を用いた深層学習電波信号分類
- Authors: Hilal Elyousseph, Majid L Altamimi
- Abstract要約: 入力トレーニングデータに使用できるさまざまな前処理ステップに注目し、結果を固定されたディープラーニングアーキテクチャでテストする。
本稿では,時間領域情報と周波数領域情報の両方を利用するハイブリッド画像を提案し,コンピュータビジョン問題として分類する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In recent years, Deep Learning (DL) has been successfully applied to detect
and classify Radio Frequency (RF) Signals. A DL approach is especially useful
since it identifies the presence of a signal without needing full protocol
information, and can also detect and/or classify non-communication waveforms,
such as radar signals. In this work, we focus on the different pre-processing
steps that can be used on the input training data, and test the results on a
fixed DL architecture. While previous works have mostly focused exclusively on
either time-domain or frequency domain approaches, we propose a hybrid image
that takes advantage of both time and frequency domain information, and tackles
the classification as a Computer Vision problem. Our initial results point out
limitations to classical pre-processing approaches while also showing that it's
possible to build a classifier that can leverage the strengths of multiple
signal representations.
- Abstract(参考訳): 近年,無線周波数(rf)信号の検出と分類にディープラーニング(dl)が応用されている。
dlアプローチは、完全なプロトコル情報を必要としない信号の存在を識別し、レーダー信号などの非通信波形を検出・分類することができるため、特に有用である。
本研究では,入力訓練データに使用できるさまざまな前処理ステップに注目し,固定dlアーキテクチャ上で結果をテストする。
これまでは主に時間領域と周波数領域の両方に焦点をあててきたが、時間領域情報と周波数領域情報の両方を活用するハイブリッド画像を提案し、コンピュータビジョン問題として分類する。
最初の結果は、古典的な前処理アプローチの限界を指摘しながら、複数の信号表現の長所を活用できる分類器を構築可能であることも示しています。
関連論文リスト
- Frequency-Aware Deepfake Detection: Improving Generalizability through
Frequency Space Learning [81.98675881423131]
この研究は、目に見えないディープフェイク画像を効果的に識別できるユニバーサルディープフェイク検出器を開発するという課題に対処する。
既存の周波数ベースのパラダイムは、偽造検出のためにGANパイプラインのアップサンプリング中に導入された周波数レベルのアーティファクトに依存している。
本稿では、周波数領域学習を中心にしたFreqNetと呼ばれる新しい周波数認識手法を導入し、ディープフェイク検出器の一般化性を高めることを目的とする。
論文 参考訳(メタデータ) (2024-03-12T01:28:00Z) - Deep Homography Estimation for Visual Place Recognition [51.70437924779968]
本稿では,変換器を用いたディープホモグラフィー推定(DHE)ネットワークを提案する。
バックボーンネットワークによって抽出された濃密な特徴写像を入力とし、高速で学習可能な幾何的検証のためにホモグラフィーに適合する。
ベンチマークデータセットを用いた実験により,本手法はいくつかの最先端手法より優れていることが示された。
論文 参考訳(メタデータ) (2024-02-25T13:22:17Z) - Multi-task Learning for Radar Signal Characterisation [52.82104394081535]
本稿では,マルチタスク学習(MTL)問題として,レーダ信号の分類と特徴化に取り組むためのアプローチを提案する。
本稿では,複数のレグレッションタスクと分類タスクを同時最適化するIQST(IQ Signal Transformer)を提案する。
合成レーダデータセット上で提案したMTLモデルの性能を示すとともに,レーダ信号の特徴付けのための一級ベンチマークも提供する。
論文 参考訳(メタデータ) (2023-06-19T12:01:28Z) - Self-Supervised RF Signal Representation Learning for NextG Signal
Classification with Deep Learning [5.624291722263331]
自己教師付き学習は、無線周波数(RF)信号自体から有用な表現を学習することを可能にする。
自己教師型学習による信号表現の学習により,AMRのサンプル効率(精度向上に必要なラベル付きサンプル数)を大幅に向上できることを示す。
論文 参考訳(メタデータ) (2022-07-07T02:07:03Z) - 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) - Learning Signal-Agnostic Manifolds of Neural Fields [50.066449953522685]
ニューラルネットワークを利用して、画像、形状、オーディオ、およびモーダル・オーディオヴィジュアル領域の基盤となる構造を捉える。
GEMの基底多様体を横切ることで、信号領域に新しいサンプルを生成できることが示される。
論文 参考訳(メタデータ) (2021-11-11T18:57:40Z) - CubeLearn: End-to-end Learning for Human Motion Recognition from Raw
mmWave Radar Signals [40.53874877651099]
mmWave FMCWレーダーは近年、人間中心の応用に多大な研究関心を集めている。
既存のパイプラインのほとんどは、従来のDFT前処理とディープニューラルネットワークハイブリッド方式に基づいて構築されている。
生のレーダ信号から特徴を直接抽出する学習可能な前処理モジュールであるCubeLearnを提案する。
論文 参考訳(メタデータ) (2021-11-07T00:45:51Z) - SVM and ANN based Classification of EMG signals by using PCA and LDA [0.0]
筋電信号(MES)は、人体の筋肉を一次元パターンとして生成する。
Support Vector Machines (SVM) は n 次元超平面を識別し、入力特徴点の集合を異なるクラスに分離する技術である。
論文 参考訳(メタデータ) (2021-10-22T06:44:08Z) - Deep Learning for Multi-View Ultrasonic Image Fusion [2.1410799064827226]
Delay-And-Sum (DAS)アルゴリズムは、反射信号がトランスデューサに戻るメインパスを用いて画像を生成する。
従来の画像融合技術は、通常、事前定義された画像変換、プーリング操作、しきい値のアドホックな組み合わせを使用する。
我々は、異なる共振路に対するDAS画像形成をネットワーク層として明示的に取り入れつつ、利用可能なすべてのデータをセグメントマップに直接マッピングするディープニューラルネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2021-09-08T13:04:07Z) - Wavelet-Based Network For High Dynamic Range Imaging [64.66969585951207]
光学フローベースやエンド・ツー・エンドのディープラーニングベースのソリューションのような既存の方法は、詳細な復元やゴーストを除去する際にエラーを起こしやすい。
本研究では、周波数領域でHDR融合を行うための新しい周波数誘導型エンド・ツー・エンドディープニューラルネットワーク(FNet)を提案し、ウェーブレット変換(DWT)を用いて入力を異なる周波数帯域に分解する。
低周波信号は特定のゴーストアーティファクトを避けるために使用され、高周波信号は詳細を保存するために使用される。
論文 参考訳(メタデータ) (2021-08-03T12:26:33Z) - Machine Learning Techniques to Detect and Characterise Whistler Radio
Waves [0.0]
VLFアンテナ受信機は、稲妻ストロークによって発生するウィスラー波を検出するために使用できる。
ホイッスルの識別と特徴化は、プラズマ圏をリアルタイムで監視する上で重要なタスクである。
本研究の目的は、VLF受信機が提供するデータ中のwhirsを自動的に検出できる機械学習ベースのモデルを開発することである。
論文 参考訳(メタデータ) (2020-02-04T12:05:44Z)
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。