論文の概要: Spectro-Temporal RF Identification using Deep Learning
- arxiv url: http://arxiv.org/abs/2107.05114v1
- Date: Sun, 11 Jul 2021 19:02:07 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-13 15:40:44.543704
- Title: Spectro-Temporal RF Identification using Deep Learning
- Title(参考訳): 深層学習を用いたスペクトル時間RF識別
- Authors: Hai N. Nguyen, Marinos Vomvas, Triet Vo-Huu, Guevara Noubir
- Abstract要約: WRISTは、分光時間検出、フレームワーク、システムを備えた広帯域リアルタイムRF識別システムである。
得られたディープラーニングモデルは、時間と周波数のRF放射を検出し、分類し、正確に検出することができる。
WRIST検出器は、野生の非常に密集した環境でも平均的な平均精度が90に達する。
- 参考スコア(独自算出の注目度): 3.8137985834223507
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: RF emissions detection, classification, and spectro-temporal localization are
crucial not only for tasks relating to understanding, managing, and protecting
the RF spectrum, but also for safety and security applications such as
detecting intruding drones or jammers. Achieving this goal for wideband
spectrum and in real-time performance is a challenging problem. We present
WRIST, a Wideband, Real-time RF Identification system with Spectro-Temporal
detection, framework and system. Our resulting deep learning model is capable
to detect, classify, and precisely locate RF emissions in time and frequency
using RF samples of 100 MHz spectrum in real-time (over 6Gbps incoming I&Q
streams). Such capabilities are made feasible by leveraging a deep-learning
based one-stage object detection framework, and transfer learning to a
multi-channel image-based RF signals representation. We also introduce an
iterative training approach which leverages synthesized and augmented RF data
to efficiently build large labelled datasets of RF emissions (SPREAD). WRIST
detector achieves 90 mean Average Precision even in extremely congested
environment in the wild. WRIST model classifies five technologies (Bluetooth,
Lightbridge, Wi-Fi, XPD, and ZigBee) and is easily extendable to others. We are
making our curated and annotated dataset available to the whole community. It
consists of nearly 1 million fully labelled RF emissions collected from various
off-the-shelf wireless radios in a range of environments and spanning the five
classes of emissions.
- Abstract(参考訳): RF放射の検出、分類、分光時間的局所化は、RFスペクトルの理解、管理、保護に関するタスクだけでなく、侵入するドローンやジャマーの検出などの安全およびセキュリティ用途にも不可欠である。
広帯域スペクトルとリアルタイム性能のこの目標を達成することは難しい問題である。
本稿では,スペクトル時間検出,フレームワーク,システムを備えた広帯域リアルタイムrf識別システムである手首を提案する。
得られた深層学習モデルは,100MHzスペクトルのRFサンプルをリアルタイム(入出力6Gbps以上のI&Qストリーム)で検出し,分類し,正確に検出することができる。
このような機能は、深層学習に基づく一段階オブジェクト検出フレームワークを活用し、多チャンネル画像に基づくRF信号表現に学習を移すことにより実現可能である。
また,合成および拡張rfデータを活用して,rfエミッション(spread)の大規模ラベル付きデータセットを効率的に構築する反復的トレーニング手法を提案する。
WRIST検出器は、野生の非常に密集した環境でも平均的な平均精度が90に達する。
WRISTモデルは5つの技術(Bluetooth、Lightbridge、Wi-Fi、XPD、ZigBee)を分類し、容易に拡張可能である。
キュレートされた注釈付きデータセットをコミュニティ全体に公開しています。
さまざまな無線電波から収集された100万近いラベル付きrf放射が、さまざまな環境にまたがって5つの排出クラスにまたがって構成されている。
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-Learned Compression for Radio-Frequency Signal Classification [0.49109372384514843]
次世代の細胞概念は、大量の高周波サンプルの処理に依存している。
RF信号の複雑な値のサンプルを圧縮する深層学習圧縮モデルHQARFを提案する。
RF信号の変調クラスを推定するために訓練されたAIモデルの性能に対するHQARFの効果を評価する。
論文 参考訳(メタデータ) (2024-03-05T17:42:39Z) - Faster Region-Based CNN Spectrum Sensing and Signal Identification in
Cluttered RF Environments [0.7734726150561088]
高速領域ベース畳み込みニューラルネットワーク(FRCNN)を1次元(1次元)信号処理と電磁スペクトルセンシングに最適化する。
その結果,本手法はローカライズ性能が向上し,2次元同値よりも高速であることがわかった。
論文 参考訳(メタデータ) (2023-02-20T09:35:13Z) - Disentangled Representation Learning for RF Fingerprint Extraction under
Unknown Channel Statistics [77.13542705329328]
本稿では,まず,不整合表現学習(DRL)の枠組みを提案し,入力信号を逆学習によりデバイス関連成分とデバイス関連成分に分解する。
提案フレームワークにおける暗黙的なデータ拡張は、デバイス非関連チャネル統計の過度な適合を避けるために、RFF抽出器に正規化を課す。
実験により、DR-RFFと呼ばれる提案手法は、未知の複雑な伝播環境に対する一般化可能性の観点から従来の手法よりも優れていることが示された。
論文 参考訳(メタデータ) (2022-08-04T15:46:48Z) - 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) - Adaptive Frequency Learning in Two-branch Face Forgery Detection [66.91715092251258]
本稿では、AFDと呼ばれる2分岐検出フレームワークにおいて、周波数情報を適応的に学習する手法を提案する。
我々は、固定周波数変換からネットワークを解放し、データおよびタスク依存の変換層でより良いパフォーマンスを達成する。
論文 参考訳(メタデータ) (2022-03-27T14:25:52Z) - Three-Way Deep Neural Network for Radio Frequency Map Generation and
Source Localization [67.93423427193055]
空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。
本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
論文 参考訳(メタデータ) (2021-11-23T22:25:10Z) - RF-Net: a Unified Meta-learning Framework for RF-enabled One-shot Human
Activity Recognition [9.135311655929366]
デバイスフリー(または非接触)センシングは、デバイスベース(またはウェアラブル)センシングよりも環境変化に敏感である。
RF-HARの既存のソリューションは、新しい環境に適応するための努力的なデータ収集プロセスを必要とする。
本稿では,1ショットのRF-HARに対するメタラーニングに基づくアプローチとしてRF-Netを提案する。
論文 参考訳(メタデータ) (2021-10-29T01:58:29Z) - 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) - Radio Frequency Fingerprint Identification for LoRa Using Spectrogram
and CNN [12.931829749208097]
スペクトログラムと畳み込みニューラルネットワーク(CNN)に基づくLong Range (LoRa)システムのRFFI方式を設計した。
当社のスペクトログラムベースのスキームは、最高の分類精度、すなわち、20 LoRa DUTの97.61%に達することができます。
論文 参考訳(メタデータ) (2020-12-30T17:17:47Z) - 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)
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。