論文の概要: Look, Radiate, and Learn: Self-Supervised Localisation via Radio-Visual Correspondence

• arxiv url: http://arxiv.org/abs/2206.06424v4
• Date: Wed, 29 Mar 2023 10:11:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-30 19:13:00.957557
• Title: Look, Radiate, and Learn: Self-Supervised Localisation via Radio-Visual Correspondence
• Title（参考訳）: 視・放射・学習:ラジオ・視覚対応による自己教師あり局所化
• Authors: Mohammed Alloulah, Maximilian Arnold
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.6219158909792257
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Next generation cellular networks will implement radio sensing functions alongside customary communications, thereby enabling unprecedented worldwide sensing coverage outdoors. Deep learning has revolutionised computer vision but has had limited application to radio perception tasks, in part due to lack of systematic datasets and benchmarks dedicated to the study of the performance and promise of radio sensing. To address this gap, we present MaxRay: a synthetic radio-visual dataset and benchmark that facilitate precise target localisation in radio. We further propose to learn to localise targets in radio without supervision by extracting self-coordinates from radio-visual correspondence. We use such self-supervised coordinates to train a radio localiser network. We characterise our performance against a number of state-of-the-art baselines. Our results indicate that accurate radio target localisation can be automatically learned from paired radio-visual data without labels, which is important for empirical data. This opens the door for vast data scalability and may prove key to realising the promise of robust radio sensing atop a unified communication-perception cellular infrastructure. Dataset will be hosted on IEEE DataPort.
• Abstract（参考訳）: 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、前例のない世界規模の無線センシングを屋外で実現する。 ディープラーニングはコンピュータビジョンに革命をもたらしたが、電波センシングの性能と将来性を研究するための体系的なデータセットやベンチマークが欠如していることから、電波知覚タスクに限定された応用がなされている。 このギャップに対処するために、我々は、無線の正確なターゲットローカライゼーション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。 さらに,無線と視覚の対応から自己コーディネートを抽出することで,ラジオにおける目標のローカライズを学ぶことを提案する。 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。 我々は、多くの最先端のベースラインに対して、パフォーマンスを特徴付ける。 以上の結果から,ラベルのない無線視線データから,正確な無線目標位置推定を自動学習できることが示唆された。 これにより、膨大なデータスケーラビリティの扉が開かれ、統一された通信知覚セルインフラストラクチャ上で堅牢な無線センシングを実現するための鍵が証明される。 DatasetはIEEE DataPortでホストされる。

関連論文リスト

• Radio U-Net: a convolutional neural network to detect diffuse radio sources in galaxy clusters and beyond [0.0]
  拡散源の電波干渉画像は画像分割作業の課題を示す。 U-Netアーキテクチャに基づく完全畳み込みニューラルネットワークであるRadio U-Netを紹介する。 Radio U-Netは、ラジオサーベイで暗く拡張されたソースを検出するように設計されている。
  論文  参考訳（メタデータ） (2024-08-20T14:03:21Z)
• RayProNet: A Neural Point Field Framework for Radio Propagation Modeling in 3D Environments [1.7074276434401858]
  本稿では,無線チャネルモデリングのための機械学習を利用した新しい手法を提案する。 主な材料は、ポイントクラウドベースのニューラルネットワークと、光プローブを備えた球高調波エンコーダである。
  論文  参考訳（メタデータ） (2024-06-04T01:06:41Z)
• RadioGAT: A Joint Model-based and Data-driven Framework for Multi-band Radiomap Reconstruction via Graph Attention Networks [36.8227064106456]
  マルチバンド無線マップ再構成(MB-RMR)は、スペクトル管理やネットワーク計画といったタスクのための無線通信において重要な要素である。 シミュレーションデータに大きく依存する従来の機械学習ベースのMB-RMRメソッドは、重要なデプロイメント課題に直面している。 本研究では,単一領域におけるMB-RMRに適したグラフ注意ネットワーク(GAT)に基づく新しいフレームワークであるRadioGATを提案する。
  論文  参考訳（メタデータ） (2024-03-25T03:23:10Z)
• 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)
• Radio Map Estimation -- An Open Dataset with Directive Transmitter Antennas and Initial Experiments [49.61405888107356]
  実世界の現実的な都市地図とオープンなデータソースからの航空画像とともに、シミュレーションされた経路損失無線マップのデータセットをリリースする。 モデルアーキテクチャ,入力特徴設計,航空画像からの無線マップの推定に関する実験を行った。
  論文  参考訳（メタデータ） (2024-01-12T14:56:45Z)
• UAV-aided RF Mapping for Sensing and Connectivity in Wireless Networks [52.14281905671453]
  無人航空機(UAV)を空飛ぶ無線アクセスネットワーク(RAN)ノードとして使用することは、従来の固定地上配備を補完する。 無線マッピングは、この課題に関連する課題の1つであり、ここでは無線マッピングと呼ばれている。 接続性, センサ性, ローカライゼーション性能の観点から, 無線マッピングによる利点を示す。
  論文  参考訳（メタデータ） (2022-05-06T16:16:08Z)
• Radio-Assisted Human Detection [61.738482870059805]
  本稿では,無線情報を最先端検出手法に組み込んだ無線支援人体検知フレームワークを提案する。 我々は、人検出を支援するために、無線信号から無線の局部化と識別情報を抽出する。 シミュレーション可能なMicrosoft COCOデータセットとCaltechの歩行者データセットの実験では、平均平均精度(mAP)とミスレートが、無線情報を用いて改善できることが示されている。
  論文  参考訳（メタデータ） (2021-12-16T09:53:41Z)
• Three-Way Deep Neural Network for Radio Frequency Map Generation and Source Localization [67.93423427193055]
  空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。 本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-11-23T22:25:10Z)
• Self-Supervised Radio-Visual Representation Learning for 6G Sensing [1.9766522384767227]
  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。
  論文  参考訳（メタデータ） (2021-11-01T12:23:47Z)
• OpenCSI: An Open-Source Dataset for Indoor Localization Using CSI-Based Fingerprinting [73.9222625243696]
  フィンガープリントに基づくローカライゼーション手法はこの問題の解決法を提案するが、取得に労力を要する無線マップに依存している。 ソフトウェア定義無線(SDR)と車輪付きロボットを用いて,無線マップ取得フェーズを自動化する。 本研究では,畳み込みニューラルネットワークを用いて位置座標を推定する最初の局在化実験について述べる。
  論文  参考訳（メタデータ） (2021-04-16T08:31:46Z)

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。