Fugu-MT 論文翻訳(概要): Resource-efficient Deep Neural Networks for Automotive Radar Interference Mitigation

論文の概要: Resource-efficient Deep Neural Networks for Automotive Radar Interference Mitigation

arxiv url: http://arxiv.org/abs/2201.10360v1
Date: Tue, 25 Jan 2022 14:41:08 GMT
ステータス: 処理完了
システム内更新日: 2022-01-26 22:13:49.659152
Title: Resource-efficient Deep Neural Networks for Automotive Radar Interference Mitigation
Title（参考訳）: 自動車レーダ干渉軽減のための資源効率の高い深層ニューラルネットワーク
Authors: Johanna Rock, Wolfgang Roth, Mate Toth, Paul Meissner, Franz Pernkopf
Abstract要約: CNNに基づくノイズ除去と干渉緩和のアプローチはレーダ処理に有望な結果をもたらす。本稿では,CNNに基づくレーダ信号のノイズ除去と干渉緩和のための量子化手法について検討する。実値ベースラインに比べて約80%のメモリ削減を実現している。
参考スコア（独自算出の注目度）: 13.310007106264747
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Radar sensors are crucial for environment perception of driver assistance systems as well as autonomous vehicles. With a rising number of radar sensors and the so far unregulated automotive radar frequency band, mutual interference is inevitable and must be dealt with. Algorithms and models operating on radar data are required to run the early processing steps on specialized radar sensor hardware. This specialized hardware typically has strict resource-constraints, i.e. a low memory capacity and low computational power. Convolutional Neural Network (CNN)-based approaches for denoising and interference mitigation yield promising results for radar processing in terms of performance. Regarding resource-constraints, however, CNNs typically exceed the hardware's capacities by far. In this paper we investigate quantization techniques for CNN-based denoising and interference mitigation of radar signals. We analyze the quantization of (i) weights and (ii) activations of different CNN-based model architectures. This quantization results in reduced memory requirements for model storage and during inference. We compare models with fixed and learned bit-widths and contrast two different methodologies for training quantized CNNs, i.e. the straight-through gradient estimator and training distributions over discrete weights. We illustrate the importance of structurally small real-valued base models for quantization and show that learned bit-widths yield the smallest models. We achieve a memory reduction of around 80\% compared to the real-valued baseline. Due to practical reasons, however, we recommend the use of 8 bits for weights and activations, which results in models that require only 0.2 megabytes of memory.
Abstract（参考訳）: レーダセンサーは、運転支援システムや自動運転車の環境認識に不可欠である。レーダーセンサーの数が増加し、これまでに規制されていない自動車レーダ周波数帯により、相互干渉は避けられず、対処されなければならない。レーダデータを操作するアルゴリズムとモデルは、特殊なレーダセンサーハードウェアの早期処理ステップを実行するために必要である。この特別なハードウェアは、典型的には厳しいリソース制約、すなわちメモリ容量が低く、計算能力が低い。畳み込みニューラルネットワーク(CNN)に基づくノイズ除去と干渉緩和のアプローチは、性能の観点からレーダ処理に有望な結果をもたらす。しかし、リソース制約に関しては、CNNはハードウェアの容量をはるかに超える。本稿では,CNNに基づくレーダ信号のノイズ除去と干渉緩和のための量子化手法について検討する。我々は量子化の分析をする (i)重量及び重量 (ii)異なるcnnベースのモデルアーキテクチャのアクティベーション。この量子化により、モデルストレージや推論時のメモリ要求が減少する。モデルを固定ビット幅と学習ビット幅と比較し、量子化されたcnnのトレーニングのための2つの異なる手法、すなわちストレートスルー勾配推定器と離散重みのトレーニング分布を対比する。量子化のための構造的に小さい実数値ベースモデルの重要性を説明し、学習したビット幅が最小のモデルをもたらすことを示す。実値ベースラインと比較して約80 %のメモリ削減を実現した。しかし、実用上の理由から、重み付けとアクティベーションのために8ビットを使用することを推奨しており、これは0.2メガバイトのメモリを必要とするモデルとなる。

関連論文リスト

Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
論文参考訳（メタデータ） (2024-10-29T19:02:54Z)
End-to-End Training of Neural Networks for Automotive Radar Interference Mitigation [9.865041274657823]
本稿では,周波数変調連続波(WFMC)レーダ相互干渉緩和のためのニューラルネットワーク(NN)のトレーニング手法を提案する。 NNが干渉されたレーダー信号をきれいにするために訓練する代わりに、NNをオブジェクト検出マップ上で直接訓練する。我々は,レーダを用いた物体検出のアルゴリズムであるCA-CFARピーク検出器の連続的な緩和を行う。
論文参考訳（メタデータ） (2023-12-15T13:47:16Z)
Semantic Segmentation of Radar Detections using Convolutions on Point Clouds [59.45414406974091]
本稿では,レーダ検出を点雲に展開する深層学習手法を提案する。このアルゴリズムは、距離依存クラスタリングと入力点雲の事前処理により、レーダ固有の特性に適応する。我々のネットワークは、レーダポイント雲のセマンティックセグメンテーションのタスクにおいて、PointNet++に基づく最先端のアプローチよりも優れています。
論文参考訳（メタデータ） (2023-05-22T07:09:35Z)
Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文参考訳（メタデータ） (2022-10-21T07:25:57Z)
Truncated tensor Schatten p-norm based approach for spatiotemporal traffic data imputation with complicated missing patterns [77.34726150561087]
本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
論文参考訳（メタデータ） (2022-05-19T08:37:56Z)
DeepHybrid: Deep Learning on Automotive Radar Spectra and Reflections for Object Classification [0.5669790037378094]
本稿では,従来のレーダ信号処理とディープラーニングアルゴリズムを組み合わせた手法を提案する。提案手法は, 自動緊急ブレーキや衝突回避システムの改善などに用いることができる。
論文参考訳（メタデータ） (2022-02-17T08:45:11Z)
SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文参考訳（メタデータ） (2021-06-10T04:21:20Z)
Deep Interference Mitigation and Denoising of Real-World FMCW Radar Signals [16.748215232763517]
実世界レーダ計測における干渉緩和のための畳み込みニューラルネットワーク(CNN)に基づくアプローチの評価を行った。実測値と模擬干渉を組み合わせることで,モデルの学習に適した入力出力データを生成する。
論文参考訳（メタデータ） (2020-12-04T11:22:13Z)
Quantized Neural Networks for Radar Interference Mitigation [14.540226579203207]
CNNに基づくノイズ除去と干渉緩和のアプローチはレーダ処理に有望な結果をもたらす。本稿では,CNNに基づくレーダ信号のノイズ除去と干渉緩和のための量子化手法について検討する。
論文参考訳（メタデータ） (2020-11-25T13:18:06Z)
Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
論文参考訳（メタデータ） (2020-11-17T12:52:18Z)
RAMP-CNN: A Novel Neural Network for Enhanced Automotive Radar Object Recognition [10.006245521984697]
本稿では,オブジェクトの位置とクラスを抽出するマルチパースペクティブ・畳み込みニューラルネットワーク(RAMP-CNN)を提案する。 4次元畳み込みニューラルネットワーク(NN)の複雑さを回避するため、RAMP-CNNモデルにいくつかの低次元NNモデルを組み合わせることを提案する。提案したRAMP-CNNモデルは、すべてのテストシナリオにおける以前の作業よりも平均リコールと平均精度が向上する。
論文参考訳（メタデータ） (2020-11-13T19:12:12Z)

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。