論文の概要: Simultaneous estimation of wall and object parameters in TWR using deep
neural network
- arxiv url: http://arxiv.org/abs/2111.04568v1
- Date: Sat, 30 Oct 2021 10:47:22 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-14 15:26:45.357864
- Title: Simultaneous estimation of wall and object parameters in TWR using deep
neural network
- Title(参考訳): ディープニューラルネットワークを用いたTWRの壁面および物体パラメータの同時推定
- Authors: Fardin Ghorbani, Hossein Soleimani
- Abstract要約: 本論文では,Stra-the-Wall Radarにおける目標パラメータと壁パラメータを同時に推定するためのディープラーニングモデルを提案する。
壁面の誘電率と厚さ,および目標の中心と誘電率の2次元座標を考察する。
深部ニューラルネットワークモデルを用いて, 壁の誘電率と厚さ, ターゲットの2次元座標と誘電率のパラメータを99%の精度で推定することができた。
- 参考スコア(独自算出の注目度): 1.7513645771137178
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents a deep learning model for simultaneously estimating
target and wall parameters in Through-the-Wall Radar. In this work, we consider
two modes: single-target and two-targets. In both cases, we consider the
permittivity and thickness for the wall, as well as the two-dimensional
coordinates of the target's center and permittivity. This means that in the
case of a single target, we estimate five values, whereas, in the case of two
targets, we estimate eight values simultaneously, each of which represents the
mentioned parameters. We discovered that when using deep neural networks to
solve the target locating problem, giving the model more parameters of the
problem increases the location accuracy. As a result, we included two wall
parameters in the problem and discovered that the accuracy of target locating
improves while the wall parameters are estimated. We were able to estimate the
parameters of wall permittivity and thickness, as well as two-dimensional
coordinates and permittivity of targets in single-target and two-target modes
with 99\% accuracy by using a deep neural network model.
- Abstract(参考訳): 本稿では,壁間レーダにおける目標パラメータと壁パラメータを同時に推定するディープラーニングモデルを提案する。
本研究では,単一ターゲットと2ターゲットの2つのモードを考える。
いずれの場合も, 壁の誘電率と厚さ, ターゲット中心の二次元座標, 誘電率を考える。
これは、1つのターゲットの場合、5つの値を見積もる一方で、2つのターゲットの場合、8つの値を同時に見積もることを意味します。
その結果,深層ニューラルネットワークを用いて対象の探索問題を解くと,モデルにより多くのパラメータを与えると位置精度が向上することがわかった。
その結果,壁面パラメータが2つ含まれており,壁面パラメータの推定中に目標位置の精度が向上することが判明した。
深部ニューラルネットワークモデルを用いて,壁の誘電率と厚さのパラメータと,単一ターゲットモードと2ターゲットモードにおける目標の2次元座標と誘電率を99倍精度で推定することができた。
関連論文リスト
- Depth Separations in Neural Networks: Separating the Dimension from the
Accuracy [10.995895410470279]
我々は,$mathcalO(1)Lipschitzターゲット関数を一定精度で近似する際に,深さ2と深さ3のニューラルネットワークを指数的に分離することを証明する。
我々の下界は、様々なアクティベーション関数を持ち、最悪のランダムな自己再現性引数の応用に基づいている。
論文 参考訳(メタデータ) (2024-02-11T17:27:26Z) - Towards Zero-Shot Scale-Aware Monocular Depth Estimation [28.42580603643096]
任意のテスト画像の計量スケールを予測できる新しい単眼深度推定フレームワークであるZeroDepthを紹介する。
これは、(i)入力レベルの幾何学的埋め込みを使用して、オブジェクトの前のスケールを学習し、(ii)エンコーダとデコーダのステージをデカップリングすることで実現される。
論文 参考訳(メタデータ) (2023-06-29T18:46:11Z) - Sliced Wasserstein Estimation with Control Variates [47.18652387199418]
2つの確率測度の間のスライスされたワッサーシュタイン距離は、2つの1次元射影の間のワッサースタイン距離の予想として定義される。
予測の難易度のために、SW距離の値を推定するためにモンテカルロ積分が実行される。
様々な変種があるにもかかわらず、SW距離に対するモンテカルロ推定法を改善する事前の作業は行われていない。
論文 参考訳(メタデータ) (2023-04-30T06:03:17Z) - One scalar is all you need -- absolute depth estimation using monocular
self-supervision [59.45414406974091]
自己教師付き単眼深度推定器は、画像のみを使用し、地中深度データがない新しいシーンで訓練または微調整することができる。
これらの推定器は、深度スケールの固有の曖昧さに悩まされ、適用性が著しく制限される。
本稿では,地中深度で収集した既存のソースデータセットから,自己監督を用いて訓練した深度推定器へ深度スケールを転送する手法を提案する。
論文 参考訳(メタデータ) (2023-03-14T07:07:34Z) - Detecting Rotated Objects as Gaussian Distributions and Its 3-D
Generalization [81.29406957201458]
既存の検出方法は、パラメータ化バウンディングボックス(BBox)を使用して(水平)オブジェクトをモデル化し、検出する。
このような機構は回転検出に有効な回帰損失を構築するのに基本的な限界があると主張する。
回転した物体をガウス分布としてモデル化することを提案する。
2次元から3次元へのアプローチを、方向推定を扱うアルゴリズム設計により拡張する。
論文 参考訳(メタデータ) (2022-09-22T07:50:48Z) - Sharp asymptotics on the compression of two-layer neural networks [19.683271092724937]
我々は,Nノードを対象とする2層ニューラルネットワークを,Mノードを対象とする圧縮ネットワークに圧縮することを検討した。
最適最適化問題はEqui Tight Frame(ETF)の重み付けによって達成されると推測する。
論文 参考訳(メタデータ) (2022-05-17T09:45:23Z) - Domain Adaptive Semantic Segmentation with Self-Supervised Depth
Estimation [84.34227665232281]
セマンティックセグメンテーションのためのドメイン適応は、ソースとターゲットドメイン間の分散シフトの存在下でモデルのパフォーマンスを向上させることを目的とする。
ドメイン間のギャップを埋めるために、両ドメインで利用可能な自己教師付き深さ推定からのガイダンスを活用します。
提案手法のベンチマークタスクSYNTHIA-to-CityscapesとGTA-to-Cityscapesの有効性を実証する。
論文 参考訳(メタデータ) (2021-04-28T07:47:36Z) - Leveraging Spatial and Photometric Context for Calibrated Non-Lambertian
Photometric Stereo [61.6260594326246]
空間と測光の両方を同時に活用できる効率的な完全畳み込みアーキテクチャを提案する。
分離可能な4D畳み込みと2D熱マップを使うことで、サイズが小さくなり、効率が向上する。
論文 参考訳(メタデータ) (2021-03-22T18:06:58Z) - Heisenberg scaling precision in the estimation of functions of
parameters [0.0]
一般の$M$チャネル線形ネットワークで符号化された任意のパラメータの任意の数$l$の関数の推定において,ハイゼンベルクのスケーリング精度に達するメロジカル戦略を提案する。
2つの補助線形ネットワークが必要であり、その役割は2つある: 干渉計と相互作用した後、信号が単一チャネルに再焦点され、線形ネットワークの分析により推定されるパラメータの関数が固定される。
論文 参考訳(メタデータ) (2021-03-15T17:28:15Z) - Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。
これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。
我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
論文 参考訳(メタデータ) (2020-12-10T23:28:36Z)
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。