論文の概要: Self-Supervised Radio-Visual Representation Learning for 6G Sensing

• arxiv url: http://arxiv.org/abs/2111.02887v1
• Date: Mon, 1 Nov 2021 12:23:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-05 15:44:25.041150
• Title: Self-Supervised Radio-Visual Representation Learning for 6G Sensing
• Title（参考訳）: 6gセンシングのための自己教師付き無線視覚表現学習
• Authors: Mohammed Alloulah, Akash Deep Singh, Maximilian Arnold
• Abstract要約: 将来の6Gセルネットワークでは、共同通信およびセンシングプロトコルにより、ネットワークが環境を知覚できるようになる。 人間の介入を最小限に抑えて無線のみのセンシングモデルを自動的に学習するために,無線と視覚を組み合わせることを提案する。
• 参考スコア（独自算出の注目度）: 1.9766522384767227
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In future 6G cellular networks, a joint communication and sensing protocol will allow the network to perceive the environment, opening the door for many new applications atop a unified communication-perception infrastructure. However, interpreting the sparse radio representation of sensing scenes is challenging, which hinders the potential of these emergent systems. We propose to combine radio and vision to automatically learn a radio-only sensing model with minimal human intervention. We want to build a radio sensing model that can feed on millions of uncurated data points. To this end, we leverage recent advances in self-supervised learning and formulate a new label-free radio-visual co-learning scheme, whereby vision trains radio via cross-modal mutual information. We implement and evaluate our scheme according to the common linear classification benchmark, and report qualitative and quantitative performance metrics. In our evaluation, the representation learnt by radio-visual self-supervision works well for a downstream sensing demonstrator, and outperforms its fully-supervised counterpart when less labelled data is used. This indicates that self-supervised learning could be an important enabler for future scalable radio sensing systems.
• Abstract（参考訳）: 将来の6Gセルネットワークでは、共同通信およびセンシングプロトコルにより、ネットワークは環境を認識でき、統一された通信知覚基盤の上に多くの新しいアプリケーションの扉を開く。 しかし、センシングシーンの粗い無線表現の解釈は困難であり、これらの創発的システムの可能性を妨げる。 無線と視覚を組み合わせることで、人間の介入を最小限に抑える無線のみのセンシングモデルを自動的に学習する。 私たちは、何百万もの未解決のデータポイントをフィードできる無線センシングモデルを構築したいと考えています。 そこで我々は,近年の自己教師型学習の進歩を活用し,新たなラベルのない無線-視覚協調学習手法を定式化した。 本手法は,共通線形分類ベンチマークに従って実装・評価し,質的・定量的な性能指標を報告する。 本評価では, 下流センシングデモンストラクタに対して, ラジオ・ビジュアル・セルフ・スーパービジョンで学習した表現が良好に動作し, ラベル付きデータが少ない場合, 完全に教師付き表現よりも優れることを示す。 これは、自己教師付き学習が将来のスケーラブルな無線センシングシステムにとって重要な実現可能性を示している。

関連論文リスト

• Semantic Communication for Cooperative Perception using HARQ [51.148203799109304]
  我々は重要セマンティック情報を抽出するために重要地図を活用し、協調的な知覚セマンティックコミュニケーションフレームワークを導入する。 周波数分割多重化(OFDM)とチャネル推定と等化戦略を併用して,時間変化によるマルチパスフェーディングによる課題に対処する。 我々は,ハイブリッド自動繰り返し要求(HARQ)の精神において,我々の意味コミュニケーションフレームワークと統合された新しい意味エラー検出手法を提案する。
  論文  参考訳（メタデータ） (2024-08-29T08:53:26Z)
• Fast and Accurate Cooperative Radio Map Estimation Enabled by GAN [63.90647197249949]
  6G時代には、無線リソースのリアルタイムモニタリングと管理が、多様な無線アプリケーションをサポートするように求められている。 本稿では,GAN(Generative Adversarial Network)による協調的無線地図推定手法を提案する。
  論文  参考訳（メタデータ） (2024-02-05T05:01:28Z)
• Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
  デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。 無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。 そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
  論文  参考訳（メタデータ） (2023-12-08T13:50:30Z)
• Look, Radiate, and Learn: Self-Supervised Localisation via Radio-Visual Correspondence [1.6219158909792257]
  次世代の携帯電話ネットワークは、無線センシング機能と慣用通信を実装している。 我々は、無線の正確な位置決めを容易にする合成無線視覚データセットとベンチマークであるMaxRayを提示する。 無線ローカライザネットワークのトレーニングには,このような自己監督座標を用いる。
  論文  参考訳（メタデータ） (2022-06-13T19:08:36Z)
• Multi-task Learning Approach for Modulation and Wireless Signal Classification for 5G and Beyond: Edge Deployment via Model Compression [1.218340575383456]
  将来的な通信網は、異種無線デバイスの成長に対応するために、少ないスペクトルに対処する必要がある。 我々は、深層ニューラルネットワークに基づくマルチタスク学習フレームワークの可能性を利用して、変調と信号分類タスクを同時に学習する。 公共利用のための包括的ヘテロジニアス無線信号データセットを提供する。
  論文  参考訳（メタデータ） (2022-02-26T14:51:02Z)
• Self-supervised Audiovisual Representation Learning for Remote Sensing Data [96.23611272637943]
  遠隔センシングにおける深層ニューラルネットワークの事前学習のための自己教師型アプローチを提案する。 ジオタグ付きオーディオ記録とリモートセンシングの対応を利用して、これは完全にラベルなしの方法で行われる。 提案手法は,既存のリモートセンシング画像の事前学習方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-08-02T07:50:50Z)
• Distributed Learning in Wireless Networks: Recent Progress and Future Challenges [170.35951727508225]
  次世代のワイヤレスネットワークは、エッジデバイスが収集するさまざまな種類のデータを分析する多くの機械学習ツールやアプリケーションを可能にする。 エッジデバイスが生データ交換なしでMLモデルを協調的にトレーニングできるようにする手段として,分散学習と推論技術が提案されている。 本稿では,ワイヤレスエッジネットワーク上で分散学習を効率的に効果的に展開する方法を包括的に研究する。
  論文  参考訳（メタデータ） (2021-04-05T20:57:56Z)
• Vision-Aided Radio: User Identity Match in Radio and Video Domains Using Machine Learning [3.0204520109309847]
  5Gは、通信技術産業において不可欠なイネーブラーであり、主要なインフラプロバイダーであるように設計されている。 ディープラーニングとコンピュータビジョンツールの使用は、ネットワークの環境意識を高める手段となる。 視覚領域と無線領域の両方からの情報を一致させる枠組みを提案する。
  論文  参考訳（メタデータ） (2020-10-14T16:32:22Z)
• Federated Self-Supervised Learning of Multi-Sensor Representations for Embedded Intelligence [8.110949636804772]
  スマートフォン、ウェアラブル、IoT(Internet of Things)デバイスは、教師付きモデルを学習するための集中リポジトリに蓄積できない豊富なデータを生成する。 本稿では,ウェーブレット変換に基づくテキストカルグラム・信号対応学習という自己教師付きアプローチを提案し,ラベルなしセンサ入力から有用な表現を学習する。 さまざまなパブリックデータセットのマルチビュー戦略を用いて,学習機能の品質を広範囲に評価し,すべての領域で高いパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2020-07-25T21:59:17Z)
• X-ModalNet: A Semi-Supervised Deep Cross-Modal Network for Classification of Remote Sensing Data [69.37597254841052]
  我々はX-ModalNetと呼ばれる新しいクロスモーダルディープラーニングフレームワークを提案する。 X-ModalNetは、ネットワークの上部にある高レベルな特徴によって構築されたアップダスタブルグラフ上にラベルを伝搬するため、うまく一般化する。 我々は2つのマルチモーダルリモートセンシングデータセット(HSI-MSIとHSI-SAR)上でX-ModalNetを評価し、いくつかの最先端手法と比較して大幅に改善した。
  論文  参考訳（メタデータ） (2020-06-24T15:29:41Z)

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。