論文の概要: Few-Shot Specific Emitter Identification via Deep Metric Ensemble Learning

• arxiv url: http://arxiv.org/abs/2207.06592v1
• Date: Thu, 14 Jul 2022 01:09:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-15 14:09:33.693991
• Title: Few-Shot Specific Emitter Identification via Deep Metric Ensemble Learning
• Title（参考訳）: ディープメトリックアンサンブル学習によるマイナショット特異的エミッタ同定
• Authors: Yu Wang, Guan Gui, Yun Lin, Hsiao-Chun Wu, Chau Yuen, Fumiyuki Adachi
• Abstract要約: 本稿では,自動監視ブロードキャスト(ADS-B)信号を用いた航空機識別のための新しいFS-SEIを提案する。 特に,提案手法は特徴埋め込みと分類から成り立っている。 シミュレーションの結果,カテゴリごとのサンプル数が5以上であれば,提案手法の平均精度は98%以上であることがわかった。
• 参考スコア（独自算出の注目度）: 26.581059299453663
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Specific emitter identification (SEI) is a highly potential technology for physical layer authentication that is one of the most critical supplement for the upper-layer authentication. SEI is based on radio frequency (RF) features from circuit difference, rather than cryptography. These features are inherent characteristic of hardware circuits, which difficult to counterfeit. Recently, various deep learning (DL)-based conventional SEI methods have been proposed, and achieved advanced performances. However, these methods are proposed for close-set scenarios with massive RF signal samples for training, and they generally have poor performance under the condition of limited training samples. Thus, we focus on few-shot SEI (FS-SEI) for aircraft identification via automatic dependent surveillance-broadcast (ADS-B) signals, and a novel FS-SEI method is proposed, based on deep metric ensemble learning (DMEL). Specifically, the proposed method consists of feature embedding and classification. The former is based on metric learning with complex-valued convolutional neural network (CVCNN) for extracting discriminative features with compact intra-category distance and separable inter-category distance, while the latter is realized by an ensemble classifier. Simulation results show that if the number of samples per category is more than 5, the average accuracy of our proposed method is higher than 98\%. Moreover, feature visualization demonstrates the advantages of our proposed method in both discriminability and generalization. The codes of this paper can be downloaded from GitHub(https://github.com/BeechburgPieStar/Few-Shot-Specific-Emitter-Identification-via-Deep-Metric- Ensemble-Learning)
• Abstract（参考訳）: 特定のエミッタ識別(SEI)は、上層認証において最も重要なサプリメントの1つである物理層認証の非常に潜在的な技術である。 SEIは、暗号ではなく、回路差による電波周波数(RF)の特徴に基づいている。 これらの特徴はハードウェア回路の特徴であり、偽造が難しい。 近年,様々な深層学習(DL)に基づく従来のSEI手法が提案され,高度な性能を実現している。 しかし,これらの手法は,大量のrf信号サンプルをトレーニングに使用するクローズセットシナリオに対して提案されており,限られたトレーニングサンプルの条件下では一般的に性能が低下する。 そこで本研究では,自動監視ブロードキャスト(ADS-B)信号による航空機識別のための小ショットSEI(FS-SEI)に着目し,深度計測アンサンブル学習(DMEL)に基づく新しいFS-SEI手法を提案する。 特に,提案手法は特徴埋め込みと分類から成り立っている。 前者は、複雑な値を持つ畳み込みニューラルネットワーク(CVCNN)を用いた計量学習に基づいて、コンパクトなカテゴリ内距離と分離可能なカテゴリ間距離を持つ識別的特徴を抽出し、後者はアンサンブル分類器により実現する。 シミュレーションの結果,1カテゴリあたりのサンプル数が5以上であれば,提案手法の平均精度は98\%以上になることがわかった。 さらに,特徴視覚化は,識別性と一般化の両面で提案手法の利点を示す。 この論文のコードはGitHubからダウンロードできる(https://github.com/BeechburgPieStar/Few-Shot-Specific-Emitter-Identification-via-Deep-Metric-Ensemb le-Learning)。

関連論文リスト

• Collaborative Feature-Logits Contrastive Learning for Open-Set Semi-Supervised Object Detection [75.02249869573994]
  オープンセットのシナリオでは、ラベルなしデータセットには、イン・ディストリビューション(ID)クラスとアウト・オブ・ディストリビューション(OOD)クラスの両方が含まれている。 このような設定で半教師付き検出器を適用すると、OODクラスをIDクラスとして誤分類する可能性がある。 我々は、CFL-Detector(Collaborative Feature-Logits Detector)と呼ばれるシンプルで効果的な方法を提案する。
  論文  参考訳（メタデータ） (2024-11-20T02:57:35Z)
• Hamming Encoder: Mining Discriminative k-mers for Discrete Sequence Classification [1.6693049653540362]
  既存のパターンベースの手法は、採掘過程において個々の特徴の識別力を測定する。 シーケンスを特徴ベクトルに変換した後、全体的な識別性能を確保することは困難である。 本稿では,二項化1D畳み込みニューラルネットワーク(1DCNN)アーキテクチャを用いて,識別的k-mer集合をマイニングするハミングを提案する。
  論文  参考訳（メタデータ） (2023-10-16T12:03:27Z)
• Feature Selection using Sparse Adaptive Bottleneck Centroid-Encoder [1.2487990897680423]
  2つ以上のクラスで識別される特徴を決定するために,新しい非線形モデル SABCE (Sparse Adaptive Bottleneckid-Encoder) を導入する。 このアルゴリズムは、高次元生物学的、画像、音声、加速度センサデータなど、様々な実世界のデータセットに適用される。
  論文  参考訳（メタデータ） (2023-06-07T21:37:21Z)
• Disentangled Representation Learning for RF Fingerprint Extraction under Unknown Channel Statistics [77.13542705329328]
  本稿では,まず,不整合表現学習(DRL)の枠組みを提案し,入力信号を逆学習によりデバイス関連成分とデバイス関連成分に分解する。 提案フレームワークにおける暗黙的なデータ拡張は、デバイス非関連チャネル統計の過度な適合を避けるために、RFF抽出器に正規化を課す。 実験により、DR-RFFと呼ばれる提案手法は、未知の複雑な伝播環境に対する一般化可能性の観点から従来の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-08-04T15:46:48Z)
• EAD: an ensemble approach to detect adversarial examples from the hidden features of deep neural networks [1.3212032015497979]
  本稿では,敵のサンプルを識別するためのアンサンブル逆検出器 (EAD) を提案する。 EADは、事前訓練されたディープニューラルネットワーク(DNN)の内部表現における入力インスタンスの異なる特性を利用する複数の検出器を組み合わせる。 EAD が AUROC と AUPR で最良であることを示す。
  論文  参考訳（メタデータ） (2021-11-24T17:05:26Z)
• A SPA-based Manifold Learning Framework for Motor Imagery EEG Data Classification [2.4727719996518487]
  本稿では,運動画像(MI)タスクから2種類の脳波データを分類するための多様体学習フレームワークを提案する。 特徴抽出のために、前処理された脳波信号から共通空間パターン(CSP)によって実装される。 分類のための特徴の近傍では、データの支持に対する局所近似が得られ、次に最も近い支持を持つクラスに特徴が割り当てられる。
  論文  参考訳（メタデータ） (2021-07-30T06:18:05Z)
• SCARF: Self-Supervised Contrastive Learning using Random Feature Corruption [72.35532598131176]
  本稿では,特徴のランダムなサブセットを乱してビューを形成するコントラスト学習手法であるSCARFを提案する。 SCARFは既存の戦略を補完し、オートエンコーダのような代替手段より優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-29T08:08:33Z)
• No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
  実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。 このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。 実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
  論文  参考訳（メタデータ） (2021-06-09T12:02:29Z)
• Signal Transformer: Complex-valued Attention and Meta-Learning for Signal Recognition [33.178794056273304]
  本稿では,理論収束保証を伴う一般の非評価問題に対して,CAMEL(complex-valued Attentional MEta Learner)を提案する。 本報告では, 状態が小さい場合に, 提案したデータ認識実験の優位性を示す。
  論文  参考訳（メタデータ） (2021-06-05T03:57:41Z)
• Capturing scattered discriminative information using a deep architecture in acoustic scene classification [49.86640645460706]
  本研究では,識別情報を捕捉し,同時に過度に適合する問題を緩和する様々な手法について検討する。 我々は、ディープニューラルネットワークにおける従来の非線形アクティベーションを置き換えるために、Max Feature Map法を採用する。 2つのデータ拡張方法と2つの深いアーキテクチャモジュールは、システムの過度な適合を減らし、差別的なパワーを維持するためにさらに検討されている。
  論文  参考訳（メタデータ） (2020-07-09T08:32:06Z)
• Ensemble Wrapper Subsampling for Deep Modulation Classification [70.91089216571035]
  受信した無線信号のサブサンプリングは、ハードウェア要件と信号処理アルゴリズムの計算コストを緩和するために重要である。 本稿では,無線通信システムにおけるディープラーニングを用いた自動変調分類のためのサブサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2020-05-10T06:11:13Z)

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。