論文の概要: Faster Region-Based CNN Spectrum Sensing and Signal Identification in Cluttered RF Environments

• arxiv url: http://arxiv.org/abs/2302.09854v1
• Date: Mon, 20 Feb 2023 09:35:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-21 16:00:01.606605
• Title: Faster Region-Based CNN Spectrum Sensing and Signal Identification in Cluttered RF Environments
• Title（参考訳）: スパッタリングRF環境における高速領域ベースCNNスペクトルセンシングと信号同定
• Authors: Todd Morehouse, Charles Montes, Ruolin Zhou
• Abstract要約: 高速領域ベース畳み込みニューラルネットワーク(FRCNN)を1次元(1次元)信号処理と電磁スペクトルセンシングに最適化する。 その結果,本手法はローカライズ性能が向上し,2次元同値よりも高速であることがわかった。
• 参考スコア（独自算出の注目度）: 0.7734726150561088
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we optimize a faster region-based convolutional neural network (FRCNN) for 1-dimensional (1D) signal processing and electromagnetic spectrum sensing. We target a cluttered radio frequency (RF) environment, where multiple RF transmission can be present at various frequencies with different bandwidths. The challenge is to accurately and quickly detect and localize each signal with minimal prior information of the signal within a band of interest. As the number of wireless devices grow, and devices become more complex from advances such as software defined radio (SDR), this task becomes increasingly difficult. It is important for sensing devices to keep up with this change, to ensure optimal spectrum usage, to monitor traffic over-the-air for security concerns, and for identifying devices in electronic warfare. Machine learning object detection has shown to be effective for spectrum sensing, however current techniques can be slow and use excessive resources. FRCNN has been applied to perform spectrum sensing using 2D spectrograms, however is unable to be applied directly to 1D signals. We optimize FRCNN to handle 1D signals, including fast Fourier transform (FFT) for spectrum sensing. Our results show that our method has better localization performance, and is faster than the 2D equivalent. Additionally, we show a use case where the modulation type of multiple uncooperative transmissions is identified. Finally, we prove our method generalizes to real world scenarios, by testing it over-the-air using SDR.
• Abstract（参考訳）: 本稿では,高速領域ベース畳み込みニューラルネットワーク(FRCNN)を1次元(1次元)信号処理と電磁スペクトルセンシングに最適化する。 我々は、複数のRF伝送を異なる帯域幅で様々な周波数で行うことができる、散在無線周波数(RF)環境をターゲットにしている。 課題は、興味のある帯域内の信号の最小の事前情報で、各信号を正確かつ迅速に検出し、ローカライズすることである。 無線機器の数が増加し、ソフトウェア定義無線(SDR)などの進歩によりデバイスが複雑化するにつれ、この作業はますます困難になる。 デバイスを検知することで、この変化に追随し、最適なスペクトル使用を確保すること、セキュリティ上の問題に対するトラフィックの監視、電子機器の識別が重要である。 機械学習オブジェクト検出はスペクトル検出に有効であることが示されているが、現在の技術は遅く、過剰なリソースを使用することができる。 FRCNNは2Dスペクトログラムを用いたスペクトルセンシングに応用されているが、直接1D信号に適用することはできない。 スペクトル検出のための高速フーリエ変換(FFT)を含む1次元信号を処理するためにFRCNNを最適化する。 その結果,本手法は局所化性能が向上し,2次元法よりも高速であることがわかった。 さらに,複数の非協調的伝送の変調型を同定するユースケースを示す。 最後に,本手法が実世界のシナリオに一般化されることを証明する。

関連論文リスト

• Dynamic Spectrum Access for Ambient Backscatter Communication-assisted D2D Systems with Quantum Reinforcement Learning [68.63990729719369]
  無線スペクトルは乏しくなり、D2D通信のスペクトル効率は低い。 本稿では, 周囲RF信号の後方散乱を可能にするために, 環境後方散乱通信技術をD2Dデバイスに統合することを目的とする。 我々は、より少ないトレーニングパラメータでより高速な収束率を達成することができる新しい量子強化学習(RL)アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-10-23T15:36:43Z)
• Frequency-Aware Deepfake Detection: Improving Generalizability through Frequency Space Learning [81.98675881423131]
  この研究は、目に見えないディープフェイク画像を効果的に識別できるユニバーサルディープフェイク検出器を開発するという課題に対処する。 既存の周波数ベースのパラダイムは、偽造検出のためにGANパイプラインのアップサンプリング中に導入された周波数レベルのアーティファクトに依存している。 本稿では、周波数領域学習を中心にしたFreqNetと呼ばれる新しい周波数認識手法を導入し、ディープフェイク検出器の一般化性を高めることを目的とする。
  論文  参考訳（メタデータ） (2024-03-12T01:28:00Z)
• Spatial-Temporal Frequency Forgery Clue for Video Forgery Detection in VIS and NIR Scenario [87.72258480670627]
  既存の周波数領域に基づく顔偽造検出手法では、GAN鍛造画像は、実際の画像と比較して、周波数スペクトルに明らかな格子状の視覚的アーチファクトを持つ。 本稿では,コサイン変換に基づくフォージェリークリュー拡張ネットワーク(FCAN-DCT)を提案し,より包括的な時空間特徴表現を実現する。
  論文  参考訳（メタデータ） (2022-07-05T09:27:53Z)
• Adaptive Frequency Learning in Two-branch Face Forgery Detection [66.91715092251258]
  本稿では、AFDと呼ばれる2分岐検出フレームワークにおいて、周波数情報を適応的に学習する手法を提案する。 我々は、固定周波数変換からネットワークを解放し、データおよびタスク依存の変換層でより良いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-03-27T14:25:52Z)
• 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)
• Design of an Novel Spectrum Sensing Scheme Based on Long Short-Term Memory and Experimental Validation [0.7349727826230862]
  深層学習ネットワーク(DLN)の重要な要素である長期記憶(LSTM)に基づくスペクトルセンシング手法を提案する。 提案手法は, Adalm Pluto を用いた実証実験により検証した。
  論文  参考訳（メタデータ） (2021-11-21T08:51:48Z)
• RF-Net: a Unified Meta-learning Framework for RF-enabled One-shot Human Activity Recognition [9.135311655929366]
  デバイスフリー(または非接触)センシングは、デバイスベース(またはウェアラブル)センシングよりも環境変化に敏感である。 RF-HARの既存のソリューションは、新しい環境に適応するための努力的なデータ収集プロセスを必要とする。 本稿では,1ショットのRF-HARに対するメタラーニングに基づくアプローチとしてRF-Netを提案する。
  論文  参考訳（メタデータ） (2021-10-29T01:58:29Z)
• Wavelet-Based Network For High Dynamic Range Imaging [64.66969585951207]
  光学フローベースやエンド・ツー・エンドのディープラーニングベースのソリューションのような既存の方法は、詳細な復元やゴーストを除去する際にエラーを起こしやすい。 本研究では、周波数領域でHDR融合を行うための新しい周波数誘導型エンド・ツー・エンドディープニューラルネットワーク(FNet)を提案し、ウェーブレット変換(DWT)を用いて入力を異なる周波数帯域に分解する。 低周波信号は特定のゴーストアーティファクトを避けるために使用され、高周波信号は詳細を保存するために使用される。
  論文  参考訳（メタデータ） (2021-08-03T12:26:33Z)
• A Machine-Learning-Based Direction-of-Origin Filter for the Identification of Radio Frequency Interference in the Search for Technosignatures [0.0]
  畳み込みニューラルネットワーク(CNN)は、既存のフィルタに対して有望な補完を提供する。 我々は、あるスキャンで検出された信号が別のスキャンに存在するかどうかを判定できるCNNを設計し、訓練した。 このCNNベースのDoOフィルタは、ベースライン2D相関モデルと既存のDoOフィルタの両方を、さまざまなメトリクスで上回る。
  論文  参考訳（メタデータ） (2021-07-28T20:22:39Z)
• Spectro-Temporal RF Identification using Deep Learning [3.8137985834223507]
  WRISTは、分光時間検出、フレームワーク、システムを備えた広帯域リアルタイムRF識別システムである。 得られたディープラーニングモデルは、時間と周波数のRF放射を検出し、分類し、正確に検出することができる。 WRIST検出器は、野生の非常に密集した環境でも平均的な平均精度が90に達する。
  論文  参考訳（メタデータ） (2021-07-11T19:02:07Z)

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。