論文の概要: Graph Attention Network Based Single-Pixel Compressive Direction of Arrival Estimation

• arxiv url: http://arxiv.org/abs/2109.05466v1
• Date: Sun, 12 Sep 2021 09:19:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-14 15:09:08.483689
• Title: Graph Attention Network Based Single-Pixel Compressive Direction of Arrival Estimation
• Title（参考訳）: グラフアテンションネットワークによる到着推定の一画素圧縮方向
• Authors: K\"ur\c{s}at Tekb{\i}y{\i}k, Okan Yurduseven, G\"une\c{s} Karabulut Kurt
• Abstract要約: 本稿では,グラフアテンションネットワーク(GAT)に基づく深層学習フレームワークを利用した,単画素の到着方向推定手法を提案する。 提案したGAT統合単一画素レーダフレームワークは,比較的低信号対雑音(SNR)レベルにおいても高い忠実度DoA情報を取得可能であることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In this paper, we present a single-pixel compressive direction of arrival (DoA) estimation technique leveraging a graph attention network (GAT) based deep-learning framework. The physical layer compression is achieved using a coded-aperture technique, probing the spectrum of far-field sources incident on the aperture using a set of spatio-temporally incoherent modes. This information is then encoded and compressed into the channel of the coded-aperture. The coded-aperture based receiver exhibits a single-channel, replacing the conventional multichannel raster scan based solutions for DoA estimation. The GAT network enables the compressive DoA estimation framework to learn the DoA information directly from the measurements acquired using the coded-aperture. This step eliminates the need for an additional reconstruction step and significantly simplifies the processing layer to obtain the DoA estimate. We show that the presented GAT integrated single-pixel radar framework can retrieve high fidelity DoA information even under relatively low signal-to-noise ratio (SNR) levels.
• Abstract（参考訳）: 本稿では,グラフアテンションネットワーク(GAT)に基づくディープラーニングフレームワークを活用した,単画素圧縮方向到着方向推定手法を提案する。 物理層圧縮は符号化アパーチャ技術を用いて達成され、時空間的非コヒーレントモードのセットを用いて開口部に入射する遠方磁場源のスペクトルを探索する。 この情報は符号化され、符号化されたアパーチャのチャネルに圧縮される。 符号化開口型受信機は単一チャネルを示し、従来のマルチチャネルラスタスキャンに基づく解をDoA推定に置き換える。 GATネットワークにより、圧縮DoA推定フレームワークは、符号化開口を用いて取得した測定値から直接DoA情報を学習することができる。 このステップは、追加の再構築ステップの必要性をなくし、処理層を著しく単純化してdoa推定を得る。 提案したGAT統合単一画素レーダフレームワークは,比較的低信号対雑音比(SNR)でも高い忠実度DoA情報を取得可能であることを示す。

関連論文リスト

• PRISTA-Net: Deep Iterative Shrinkage Thresholding Network for Coded Diffraction Patterns Phase Retrieval [6.982256124089]
  位相検索は、計算画像および画像処理における非線型逆問題である。 我々は,1次反復しきい値しきい値アルゴリズム(ISTA)に基づく深層展開ネットワークであるPRISTA-Netを開発した。 非線形変換,しきい値,ステップサイズなど,提案するPRISTA-Netフレームワークのパラメータはすべて,設定されるのではなく,エンドツーエンドで学習される。
  論文  参考訳（メタデータ） (2023-09-08T07:37:15Z)
• APRF: Anti-Aliasing Projection Representation Field for Inverse Problem in Imaging [74.9262846410559]
  Sparse-view Computed Tomography (SVCT) は画像の逆問題である。 近年の研究では、インプリシット・ニューラル・リ表現(INR)を用いて、シングラムとCT画像の座標に基づくマッピングを構築している。 自己教師型SVCT再構成法の提案 -抗エイリアス射影表現場(APRF)- APRFは空間的制約によって隣接する投影ビュー間の連続的な表現を構築することができる。
  論文  参考訳（メタデータ） (2023-07-11T14:04:12Z)
• Joint Channel Estimation and Feedback with Masked Token Transformers in Massive MIMO Systems [74.52117784544758]
  本稿では,CSI行列内の固有周波数領域相関を明らかにするエンコーダデコーダに基づくネットワークを提案する。 エンコーダ・デコーダネットワーク全体がチャネル圧縮に使用される。 提案手法は,共同作業における現状のチャネル推定およびフィードバック技術より優れる。
  論文  参考訳（メタデータ） (2023-06-08T06:15:17Z)
• Communication-Efficient Federated Learning via Quantized Compressed Sensing [82.10695943017907]
  提案フレームワークは,無線機器の勾配圧縮とパラメータサーバの勾配再構成からなる。 勾配スペーシフィケーションと量子化により、我々の戦略は1ビット勾配圧縮よりも高い圧縮比を達成することができる。 圧縮を行わない場合とほぼ同じ性能を実現できることを示す。
  論文  参考訳（メタデータ） (2021-11-30T02:13:54Z)
• Waveform Learning for Next-Generation Wireless Communication Systems [16.26230847183709]
  本稿では,送信受信フィルタ,星座形状,それに付随するビットラベリング,およびニューラルネットワーク(NN)ベースの検出器の結合設計のための学習に基づく手法を提案する。 この方法は、隣接するチャネルリーク比(ACLR)とピーク・ツー・アベイジ・パワー比(PAPR)の制約を同時に満たしつつ、達成可能な情報レートを最大化する。
  論文  参考訳（メタデータ） (2021-09-02T14:51:16Z)
• Hierarchical Convolutional Neural Network with Feature Preservation and Autotuned Thresholding for Crack Detection [5.735035463793008]
  ドローンの画像はインフラ表面の欠陥の自動検査にますます使われている。 本稿では,階層型畳み込みニューラルネットワークを用いた深層学習手法を提案する。 提案手法は, 道路, 橋, 舗装の表面ひび割れの同定に応用されている。
  論文  参考訳（メタデータ） (2021-04-21T13:07:58Z)
• Turning Channel Noise into an Accelerator for Over-the-Air Principal Component Analysis [65.31074639627226]
  主成分分析(PCA)は、データセットの線形構造を抽出するための技術です。 勾配降下アルゴリズムに基づくマルチアクセスチャネル上にPCAを配置する手法を提案する。 オーバー・ザ・エア・アグリゲーションはマルチ・アクセスの遅延を減らすために採用され、オーバー・ザ・エア・PCAという名称を与える。
  論文  参考訳（メタデータ） (2021-04-20T16:28:33Z)
• Sparse-View Spectral CT Reconstruction Using Deep Learning [0.283239609744735]
  マルチチャネル入力と出力を持つU-Net畳み込みニューラルネットワークアーキテクチャを用いて、スパースビュースペクトルCTデータを高速に再構成する手法を提案する。 我々の手法は実行時に高速であり、内部の畳み込みはチャネル間で共有されるため、計算負荷は第一層と最後の層でのみ増加する。
  論文  参考訳（メタデータ） (2020-11-30T14:36:23Z)
• Dense Label Encoding for Boundary Discontinuity Free Rotation Detection [69.75559390700887]
  本稿では,分類に基づく比較的研究の少ない方法論について検討する。 我々は2つの側面でフロンティアを推し進めるための新しい手法を提案する。 航空画像のための大規模公開データセットの実験と視覚解析は,我々のアプローチの有効性を示している。
  論文  参考訳（メタデータ） (2020-11-19T05:42:02Z)
• ADRN: Attention-based Deep Residual Network for Hyperspectral Image Denoising [52.01041506447195]
  ノイズの多いHSIからクリーンなHSIへのマッピングを学習するために,注目に基づくディープ残差ネットワークを提案する。 実験の結果,提案手法は定量的および視覚的評価において最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-03-04T08:36:27Z)

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。