Fugu-MT 論文翻訳(概要): Deep Augmented MUSIC Algorithm for Data-Driven DoA Estimation

論文の概要: Deep Augmented MUSIC Algorithm for Data-Driven DoA Estimation

arxiv url: http://arxiv.org/abs/2109.10581v1
Date: Wed, 22 Sep 2021 08:24:46 GMT
ステータス: 処理完了
システム内更新日: 2021-09-23 13:34:00.986173
Title: Deep Augmented MUSIC Algorithm for Data-Driven DoA Estimation
Title（参考訳）: データ駆動doa推定のためのdeep augmented musicアルゴリズム
Authors: Julian P. Merkofer, Guy Revach, Nir Shlezinger, Ruud J. G. van Sloun
Abstract要約: 到来方向推定(DoA)はセンサアレイ信号処理において重要な課題である。本稿では,古典的多重信号分類(MUSIC)アルゴリズムに基づく新しいハイブリッドMB/DD DoA推定アーキテクチャを提案する。
参考スコア（独自算出の注目度）: 35.72857038644419
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Direction of arrival (DoA) estimation is a crucial task in sensor array signal processing, giving rise to various successful model-based (MB) algorithms as well as recently developed data-driven (DD) methods. This paper introduces a new hybrid MB/DD DoA estimation architecture, based on the classical multiple signal classification (MUSIC) algorithm. Our approach augments crucial aspects of the original MUSIC structure with specifically designed neural architectures, allowing it to overcome certain limitations of the purely MB method, such as its inability to successfully localize coherent sources. The deep augmented MUSIC algorithm is shown to outperform its unaltered version with a superior resolution.
Abstract（参考訳）: 到着方向推定(DoA)はセンサアレイ信号処理において重要な課題であり、様々なモデルベース(MB)アルゴリズムや最近開発されたデータ駆動(DD)手法が成功している。本稿では,古典的多重信号分類(MUSIC)アルゴリズムに基づく新しいハイブリッドMB/DD DoA推定アーキテクチャを提案する。本手法は,ニューラル・アーキテクチャを具体化したオリジナルの音楽構造の重要な側面を補強し,コヒーレントな音源のローカライズに成功できないなど,純粋mb法の制限を克服する。 MUSICアルゴリズムは、改良されていないバージョンよりも優れた解像度で性能を発揮する。

関連論文リスト

Detection of Anomalies in Multivariate Time Series Using Ensemble Techniques [3.2422067155309806]
最終的な決定に向けて,複数の基本モデルを組み合わせたアンサンブル手法を提案する。また,ロジスティック回帰器を用いて基本モデルの出力を結合する半教師付き手法を提案する。異常検出精度の点での性能改善は、教師なしモデルでは2%、半教師なしモデルでは少なくとも10%に達する。
論文参考訳（メタデータ） (2023-08-06T17:51:22Z)
Deep Unfolded Simulated Bifurcation for Massive MIMO Signal Detection [7.969977930633441]
深層学習技術と量子(インスパイアされた)アルゴリズムに基づく様々な信号検出器が提案され,検出性能が向上した。本稿では、量子インスパイアされたアルゴリズムであるシミュレート・バイフルケーション(SB)アルゴリズムに焦点を当てる。
論文参考訳（メタデータ） (2023-06-28T14:46:55Z)
Beyond Deep Ensembles: A Large-Scale Evaluation of Bayesian Deep Learning under Distribution Shift [19.945634052291542]
我々は、WILDSコレクションから現実のデータセットに対する最新のBDLアルゴリズムを評価し、難解な分類と回帰タスクを含む。我々は、大規模な、畳み込み、トランスフォーマーベースのニューラルネットワークアーキテクチャにおいて、アルゴリズムを比較した。そこで本研究では,BDLを用いた大規模事前学習モデルのシステム評価を行った。
論文参考訳（メタデータ） (2023-06-21T14:36:03Z)
LoRD-Net: Unfolded Deep Detection Network with Low-Resolution Receivers [104.01415343139901]
本稿では,1ビット計測から情報シンボルを復元する「LoRD-Net」というディープ検出器を提案する。 LoRD-Netは、関心のシグナルを回復するためのタスクベースのアーキテクチャである。無線通信における1ビット信号回復のためのレシーバアーキテクチャの評価を行った。
論文参考訳（メタデータ） (2021-02-05T04:26:05Z)
Phase Retrieval using Expectation Consistent Signal Recovery Algorithm based on Hypernetwork [73.94896986868146]
位相検索は現代の計算イメージングシステムにおいて重要な要素である。近年のディープラーニングの進歩は、堅牢で高速なPRの新たな可能性を開いた。我々は、既存の制限を克服するために、深層展開のための新しいフレームワークを開発する。
論文参考訳（メタデータ） (2021-01-12T08:36:23Z)
Plug-And-Play Learned Gaussian-mixture Approximate Message Passing [71.74028918819046]
そこで本研究では,従来のi.i.d.ソースに適した圧縮圧縮センシング(CS)リカバリアルゴリズムを提案する。我々のアルゴリズムは、Borgerdingの学習AMP(LAMP)に基づいて構築されるが、アルゴリズムに普遍的な復調関数を採用することにより、それを大幅に改善する。数値評価により,L-GM-AMPアルゴリズムは事前の知識を必要とせず,最先端の性能を実現する。
論文参考訳（メタデータ） (2020-11-18T16:40:45Z)
Solving Sparse Linear Inverse Problems in Communication Systems: A Deep Learning Approach With Adaptive Depth [51.40441097625201]
疎信号回復問題に対するエンドツーエンドの訓練可能なディープラーニングアーキテクチャを提案する。提案手法は,出力するレイヤ数を学習し,各タスクのネットワーク深さを推論フェーズで動的に調整する。
論文参考訳（メタデータ） (2020-10-29T06:32:53Z)
Learned Greedy Method (LGM): A Novel Neural Architecture for Sparse Coding and Beyond [24.160276545294288]
同じ目的のために,欲求追従アルゴリズムの展開版を提案する。 Learned Greedy Method(LGM)のキーとなる特徴は、動的に展開された複数のレイヤに対応する能力である。
論文参考訳（メタデータ） (2020-10-14T13:17:02Z)
AP-Loss for Accurate One-Stage Object Detection [49.13608882885456]
一段階の物体検出器は、分類損失と局所化損失を同時に最適化することによって訓練される。前者は、多数のアンカーのため、非常に前景と後方のアンカーの不均衡に悩まされる。本稿では,一段検知器の分類タスクをランキングタスクに置き換える新しい枠組みを提案する。
論文参考訳（メタデータ） (2020-08-17T13:22:01Z)
Learning Robust Feature Representations for Scene Text Detection [0.0]
本稿では、条件付きログを最大化するために、損失から導かれるネットワークアーキテクチャを提案する。潜伏変数の層を複数の層に拡張することで、ネットワークは大規模に堅牢な機能を学ぶことができる。実験では,提案アルゴリズムはリコール法と精度の両面で最先端の手法を著しく上回っている。
論文参考訳（メタデータ） (2020-05-26T01:06:47Z)

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。