Fugu-MT 論文翻訳(概要): RF Fingerprinting Needs Attention: Multi-task Approach for Real-World WiFi and Bluetooth

論文の概要: RF Fingerprinting Needs Attention: Multi-task Approach for Real-World WiFi and Bluetooth

arxiv url: http://arxiv.org/abs/2209.03142v1
Date: Wed, 7 Sep 2022 13:38:06 GMT
ステータス: 処理完了
システム内更新日: 2022-09-08 13:13:09.452592
Title: RF Fingerprinting Needs Attention: Multi-task Approach for Real-World WiFi and Bluetooth
Title（参考訳）: RFフィンガープリンティングに注意が必要:実世界のWiFiとBluetoothのためのマルチタスクアプローチ
Authors: Anu Jagannath, Zackary Kane, Jithin Jagannath
Abstract要約: ドメイン横断型マルチタスクアーキテクチャであるxDomが本研究で紹介されている。我々は、リッチなマルチパスおよび避けられない干渉環境において、実世界のIoT WiFiおよびBluetooth(BT)エミッションを利用する。シングルタスクWiFiおよびBTフィンガープリントにおいて,最大59.3%,4.91倍の性能向上を報告した。
参考スコア（独自算出の注目度）: 1.0312968200748116
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: A novel cross-domain attentional multi-task architecture - xDom - for robust real-world wireless radio frequency (RF) fingerprinting is presented in this work. To the best of our knowledge, this is the first time such comprehensive attention mechanism is applied to solve RF fingerprinting problem. In this paper, we resort to real-world IoT WiFi and Bluetooth (BT) emissions (instead of synthetic waveform generation) in a rich multipath and unavoidable interference environment in an indoor experimental testbed. We show the impact of the time-frame of capture by including waveforms collected over a span of months and demonstrate the same time-frame and multiple time-frame fingerprinting evaluations. The effectiveness of resorting to a multi-task architecture is also experimentally proven by conducting single-task and multi-task model analyses. Finally, we demonstrate the significant gain in performance achieved with the proposed xDom architecture by benchmarking against a well-known state-of-the-art model for fingerprinting. Specifically, we report performance improvements by up to 59.3% and 4.91x under single-task WiFi and BT fingerprinting respectively, and up to 50.5% increase in fingerprinting accuracy under the multi-task setting.
Abstract（参考訳）: 本稿では,実世界無線無線周波数 (rf) フィンガープリンティングのための新しいクロスドメイン注意型マルチタスクアーキテクチャ (xdom) を提案する。我々の知る限りでは、RFフィンガープリント問題を解決するためにこのような包括的な注意機構が適用されたのはこれが初めてである。本稿では,室内実験場において,多経路・回避不能な干渉環境において,実世界のIoT WiFiおよびBluetooth(BT)エミッションを(合成波形生成の代わりに)活用する。本研究では,数ヵ月間にわたって収集した波形を含むキャプチャの時間フレームへの影響を示し,同じ時間フレームと複数の時間フレームフィンガープリンティング評価を示す。マルチタスクアーキテクチャを利用する効果は、シングルタスクおよびマルチタスクモデル解析によって実験的に証明される。最後に,指紋認証の最先端モデルに対するベンチマークにより,提案したxDomアーキテクチャによる性能向上を実証した。特に,シングルタスクwifiとbtフィンガープリンティングでは,最大59.3%,4.91倍,マルチタスク環境では50.5%のフィンガープリンティング精度向上が報告されている。

関連論文リスト

On the Reliability of Radio Frequency Fingerprinting [5.074726108522963]
RFF(Radio Frequency Fingerprinting)は、RF放射に基づいて物理層(PHY)のデバイスを識別するユニークな方法を提供する。我々は,新しいFPGA画像が再ロードされるたびに,SDRが新しい通信を開始すると,指紋の突然変異が現れることを示す。
論文参考訳（メタデータ） (2024-08-17T12:06:21Z)
Finger-UNet: A U-Net based Multi-Task Architecture for Deep Fingerprint Enhancement [0.0]
指紋認識/検証パイプラインの初期段階において、指紋強調は重要な役割を果たす。低品質指紋を効果的に改善するために,U-Netの直感的な修正を提案する。モデルのメモリフットプリントを大幅に削減するため,通常の畳み込みを奥行き分離可能な畳み込みに置き換える。
論文参考訳（メタデータ） (2023-10-01T09:49:10Z)
PGT-Net: Progressive Guided Multi-task Neural Network for Small-area Wet Fingerprint Denoising and Recognition [5.834731599084115]
エンドツーエンドのトレーニング可能なプログレッシブガイド型マルチタスクニューラルネットワーク(PGT-Net)を提案する。 PGT-Netは共有ステージと特定のマルチタスクステージを含み、ネットワークはバイナリと非バイナリの指紋を順次トレーニングすることができる。実験結果から,PGT-Netは湿式フィンガープリントにおいて有望な性能を示し,指紋認識率(FRR)を大幅に向上させることが示された。
論文参考訳（メタデータ） (2023-08-14T09:19:26Z)
Accelerated Fingerprint Enhancement: A GPU-Optimized Mixed Architecture Approach [47.87570819350573]
本論文は,Unet混在アーキテクチャを中心に設計された潜伏指紋強調への予備的アプローチを示す。 Resnet-101ネットワークとUnetエンコーダの能力を組み合わせることで、潜在的に強力なコンポジットを作ることを目指している。このアプローチの革新的な要素の1つは、GPU計算用に特別に設計された新しいFingerprint Enhancement Gabor層である。
論文参考訳（メタデータ） (2023-06-01T01:19:32Z)
Fast GraspNeXt: A Fast Self-Attention Neural Network Architecture for Multi-task Learning in Computer Vision Tasks for Robotic Grasping on the Edge [80.88063189896718]
アーキテクチャと計算の複雑さが高いと、組み込みデバイスへのデプロイに適さない。 Fast GraspNeXtは、ロボットグルーピングのためのコンピュータビジョンタスクに埋め込まれたマルチタスク学習に適した、高速な自己認識型ニューラルネットワークアーキテクチャである。
論文参考訳（メタデータ） (2023-04-21T18:07:14Z)
Hand gesture recognition using 802.11ad mmWave sensor in the mobile device [2.5476515662939563]
スマートフォンにおける802.11ad 60GHz (mmWave) 技術を用いたAI支援手振り認識の実現可能性について検討する。我々は、時間分割デュプレックス(TDD)によってレーダーセンシングと通信波形が共存できるプロトタイプシステムを構築した。センシングデータを収集し、100ミリ秒以内にジェスチャーを予測する。
論文参考訳（メタデータ） (2022-11-14T03:36:17Z)
Embedding-Assisted Attentional Deep Learning for Real-World RF Fingerprinting of Bluetooth [1.218340575383456]
実際のBluetoothデバイスの指紋認証に適した埋め込み型注意フレームワーク(Mbed-ATN)を提案する。提案されたMbed-ATNフレームワークは、5.32倍のTPR、37.9%の誤報、そして6.74倍の精度で現実の挑戦的な設定を実現している。
論文参考訳（メタデータ） (2022-09-22T17:06:13Z)
Mobile Behavioral Biometrics for Passive Authentication [65.94403066225384]
本研究は, 単モーダルおよび多モーダルな行動的生体特性の比較分析を行った。 HuMIdbは、最大かつ最も包括的なモバイルユーザインタラクションデータベースである。我々の実験では、最も識別可能な背景センサーは磁力計であり、タッチタスクではキーストロークで最良の結果が得られる。
論文参考訳（メタデータ） (2022-03-14T17:05:59Z)
Accelerating Training and Inference of Graph Neural Networks with Fast Sampling and Pipelining [58.10436813430554]
グラフニューラルネットワーク(GNN)のミニバッチトレーニングには、多くの計算とデータ移動が必要である。我々は,分散マルチGPU環境において,近傍サンプリングを用いたミニバッチトレーニングを行うことを支持する。本稿では,これらのボトルネックを緩和する一連の改良点について述べる。また,サンプリングによる推論を支援する実験分析を行い,試験精度が実質的に損なわれていないことを示す。
論文参考訳（メタデータ） (2021-10-16T02:41:35Z)
Anchor-free Small-scale Multispectral Pedestrian Detection [88.7497134369344]
適応型単一段アンカーフリーベースアーキテクチャにおける2つのモードの効果的かつ効率的な多重スペクトル融合法を提案する。我々は,直接的境界ボックス予測ではなく,対象の中心と規模に基づく歩行者表現の学習を目指す。その結果,小型歩行者の検出における本手法の有効性が示唆された。
論文参考訳（メタデータ） (2020-08-19T13:13:01Z)
DeepMark++: Real-time Clothing Detection at the Edge [55.41644538483948]
本稿では,迅速な衣服検出とキーポイント推定を実現するための単一ステージアプローチを提案する。提案手法は,マルチターゲットネットワークであるCenterNetをベースとして,性能向上のためのポストプロセッシング技術をいくつか導入する。私たちの最も正確なモデルは、DeepFashion2データセットの最先端ソリューションに匹敵する結果を達成します。
論文参考訳（メタデータ） (2020-06-01T04:36:57Z)

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。