Fugu-MT 論文翻訳(概要): SubspaceNet: Deep Learning-Aided Subspace Methods for DoA Estimation

論文の概要: SubspaceNet: Deep Learning-Aided Subspace Methods for DoA Estimation

arxiv url: http://arxiv.org/abs/2306.02271v2
Date: Thu, 11 Jul 2024 10:16:41 GMT
ステータス: 処理完了
システム内更新日: 2024-07-13 00:07:09.743735
Title: SubspaceNet: Deep Learning-Aided Subspace Methods for DoA Estimation
Title（参考訳）: SubspaceNet:DoA推定のためのディープラーニング支援サブスペース手法
Authors: Dor H. Shmuel, Julian P. Merkofer, Guy Revach, Ruud J. G. van Sloun, Nir Shlezinger,
Abstract要約: SubspaceNetは、観測を区別可能な部分空間に分割する方法を学ぶデータ駆動型DoA推定器である。 SubspaceNetは、コヒーレントソース、広帯域信号、低いSNR、配列ミスマッチ、限られたスナップショットに対処する様々なDoA推定アルゴリズムを実現する。
参考スコア（独自算出の注目度）: 36.647703652676626
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Direction of arrival (DoA) estimation is a fundamental task in array processing. A popular family of DoA estimation algorithms are subspace methods, which operate by dividing the measurements into distinct signal and noise subspaces. Subspace methods, such as Multiple Signal Classification (MUSIC) and Root-MUSIC, rely on several restrictive assumptions, including narrowband non-coherent sources and fully calibrated arrays, and their performance is considerably degraded when these do not hold. In this work we propose SubspaceNet; a data-driven DoA estimator which learns how to divide the observations into distinguishable subspaces. This is achieved by utilizing a dedicated deep neural network to learn the empirical autocorrelation of the input, by training it as part of the Root-MUSIC method, leveraging the inherent differentiability of this specific DoA estimator, while removing the need to provide a ground-truth decomposable autocorrelation matrix. Once trained, the resulting SubspaceNet serves as a universal surrogate covariance estimator that can be applied in combination with any subspace-based DoA estimation method, allowing its successful application in challenging setups. SubspaceNet is shown to enable various DoA estimation algorithms to cope with coherent sources, wideband signals, low SNR, array mismatches, and limited snapshots, while preserving the interpretability and the suitability of classic subspace methods.
Abstract（参考訳）: 到着方向推定(DoA)は配列処理の基本課題である。一般的なDoA推定アルゴリズムのファミリーはサブスペース法であり、測定結果を異なる信号とノイズのサブスペースに分割して操作する。 MUSIC(Multiple Signal Classification)やRoot-MUSIC(Root-MUSIC)のような部分空間法は、狭帯域非コヒーレントなソースや完全に校正された配列など、いくつかの制限的な仮定に依存しており、それらが保持されない場合、その性能は大幅に低下する。本研究では,データ駆動型DoA推定器であるSubspaceNetを提案する。これは、専用のディープニューラルネットワークを利用して入力の実証的自己相関を学習し、Root-MUSIC法の一部としてトレーニングし、この特定のDoA推定器の固有の微分可能性を活用し、また、地上のトラス分解可能な自己相関行列を提供する必要をなくすことによって達成される。トレーニングが完了すると、結果のSubspaceNetは、任意のサブスペースベースのDoA推定手法と組み合わせて適用可能な、普遍的なサロゲート共分散推定器として機能する。 SubspaceNetは、従来のサブスペース手法の解釈性と適合性を保ちながら、コヒーレントソース、広帯域信号、低いSNR、配列ミスマッチ、限られたスナップショットに対処する様々なDoA推定アルゴリズムを可能にする。

関連論文リスト

Physically Parameterized Differentiable MUSIC for DoA Estimation with Uncalibrated Arrays [18.68871336059738]
到着方向推定(DoA)は、レーダー、ソナー、オーディオ、無線通信システムにおいて一般的な検知問題である。本研究は,モデルに基づくアプローチに従って,共同でDoA推定とハードウェア障害学習手法を提案する。
論文参考訳（メタデータ） (2024-11-06T09:14:26Z)
Subspace Representation Learning for Sparse Linear Arrays to Localize More Sources than Sensors: A Deep Learning Methodology [19.100476521802243]
我々はスパース線形アレイ(SLA)のサンプル共分散からコアレイ部分空間を推定する新しい手法を開発した。このような表現を学習するために、所望部分空間と推定部分空間との分離を測る損失関数を提案する。異なる次元の学習部分空間の計算は、新しいバッチサンプリング戦略によって高速化される。
論文参考訳（メタデータ） (2024-08-29T15:14:52Z)
Direction of Arrival Estimation with Sparse Subarrays [0.0]
本稿では,タイプIとタイプIIの2つの配列カテゴリを含む配列アーキテクチャを提案する。そこで我々は,部分的に校正された配列シナリオに適した2つのDOA推定アルゴリズムを考案した。アルゴリズムは、利用可能な物理センサーの数よりも多くのソースを推定することができる。
論文参考訳（メタデータ） (2024-08-17T23:47:24Z)
Embedding Trajectory for Out-of-Distribution Detection in Mathematical Reasoning [50.84938730450622]
数理推論におけるOOD検出にトラジェクトリボラティリティを用いたトラジェクトリベースのTVスコアを提案する。本手法は, 数学的推論シナリオ下でのGLM上での従来のアルゴリズムよりも優れる。提案手法は,複数選択質問などの出力空間における高密度特徴を持つアプリケーションに拡張することができる。
論文参考訳（メタデータ） (2024-05-22T22:22:25Z)
Deep Learning-Aided Subspace-Based DOA Recovery for Sparse Arrays [25.776724012525662]
本研究では,Sparse-SubspaceNetを提案する。これにより、モデルベース部分空間DoA推定器の解釈可能性と適合性を保ちながら、コヒーレントソースやスパースアレイの誤校正に対処することを学ぶ。
論文参考訳（メタデータ） (2023-09-10T18:32:44Z)
Dencentralized learning in the presence of low-rank noise [57.18977364494388]
ネットワーク内のエージェントが収集した観測は、観測ノイズや干渉のために信頼性が低い。本稿では,各ノードが自身の観測の信頼性を向上させる分散アルゴリズムを提案する。
論文参考訳（メタデータ） (2022-03-18T09:13:57Z)
Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
論文参考訳（メタデータ） (2021-12-12T06:11:16Z)
A local approach to parameter space reduction for regression and classification tasks [0.0]
そこで本研究では, クラスタリング手法を用いて, アクティブ部分空間のシナジーを探索する, ローカルアクティブ部分空間 (LAS) と呼ばれる新しい手法を提案する。 LASは、サロゲートモデリングに取り組んでいるコミュニティにとって特に有用である。
論文参考訳（メタデータ） (2021-07-22T18:06:04Z)
DAAIN: Detection of Anomalous and Adversarial Input using Normalizing Flows [52.31831255787147]
我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
論文参考訳（メタデータ） (2021-05-30T22:07:13Z)
Simultaneous Denoising and Dereverberation Using Deep Embedding Features [64.58693911070228]
ディープ埋め込み特徴を用いた同時発声・発声同時学習法を提案する。ノイズ発生段階では、DCネットワークを利用してノイズのないディープ埋込み特性を抽出する。残響段階では、教師なしのK平均クラスタリングアルゴリズムの代わりに、別のニューラルネットワークを用いて無響音声を推定する。
論文参考訳（メタデータ） (2020-04-06T06:34:01Z)

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。