論文の概要: Deep Learning with Partially Labeled Data for Radio Map Reconstruction

• arxiv url: http://arxiv.org/abs/2306.05294v1
• Date: Wed, 7 Jun 2023 08:18:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-09 13:34:51.782127
• Title: Deep Learning with Partially Labeled Data for Radio Map Reconstruction
• Title（参考訳）: 無線地図再構成のための部分ラベルデータを用いた深層学習
• Authors: Alkesandra Malkova and Massih-Reza Amini and Benoit Denis and Christophe Villien
• Abstract要約: 位置依存ラジオ計測に基づく受信信号強度マップ再構成の問題点に対処する。 我々は、最適化されたニューラルネットワークモデルを見つけるために、ニューラルネットワーク検索を使用します。
• 参考スコア（独自算出の注目度）: 5.2848042940993345
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we address the problem of Received Signal Strength map reconstruction based on location-dependent radio measurements and utilizing side knowledge about the local region; for example, city plan, terrain height, gateway position. Depending on the quantity of such prior side information, we employ Neural Architecture Search to find an optimized Neural Network model with the best architecture for each of the supposed settings. We demonstrate that using additional side information enhances the final accuracy of the Received Signal Strength map reconstruction on three datasets that correspond to three major cities, particularly in sub-areas near the gateways where larger variations of the average received signal power are typically observed.
• Abstract（参考訳）: 本稿では,位置に依存した電波測定に基づく受信信号強度マップの再構築と地域情報,例えば都市計画,地形の高さ,入口位置などを活用することの課題に対処する。 このような事前のサイド情報の量に応じて、ニューラルネットワーク探索を用いて、想定される各設定に最適なアーキテクチャを持つ最適化されたニューラルネットワークモデルを見つける。 本研究では,受信信号強度マップを3つの主要都市に対応する3つのデータセット,特に平均受信信号パワーのばらつきが観測されるゲートウェイ付近の地域において,追加のサイド情報を用いることにより,受信信号強度マップ再構成の最終精度を高めることを実証する。

関連論文リスト

• Data-Driven Radio Environment Map Estimation Using Graph Neural Networks [0.0]
  グラフニューラルネットワークを用いて無線環境マップ(REM)を推定する手法を提案する。 提案アーキテクチャは、ネットワーク全体の空間的依存関係をキャプチャするグラフニューラルネットワークの利点を継承する。
  論文  参考訳（メタデータ） (2024-06-09T00:17:33Z)
• Geo2SigMap: High-Fidelity RF Signal Mapping Using Geographic Databases [10.278799374600919]
  Geo2SigMapは、地理データベースを用いた効率的かつ高忠実なRF信号マッピングのためのMLベースのフレームワークである。 われわれはOpenStreetMap、Blender、Sionnaの3つのオープンソースツールをシームレスに統合する自動化フレームワークを開発した。 その結果,Geo2SigMapは平均根平均2乗誤差(RMSE)を6.04dBで達成し,UEにおける基準信号受信電力(RSRP)を予測する。
  論文  参考訳（メタデータ） (2023-12-21T21:26:09Z)
• Neural Progressive Meshes [54.52990060976026]
  本稿では,共有学習空間を用いた3次元メッシュの伝送手法を提案する。 分割型エンコーダ・デコーダアーキテクチャを用いて,この空間を学習する。 本手法は複雑な3次元形状を多種多様な形状で評価し, 圧縮率と復元品質の点で, ベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-10T17:58:02Z)
• 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)
• Large-scale Building Height Retrieval from Single SAR Imagery based on Bounding Box Regression Networks [21.788338971571736]
  合成開口レーダ(SAR)画像からの建物の高さの検索は,都市部において非常に重要である。 本稿では,1つのTerraSAR-Xスポットライトやストリップマップ画像から大規模都市部におけるビルの高さ検索の問題に対処する。
  論文  参考訳（メタデータ） (2021-11-18T00:39:48Z)
• VolumeFusion: Deep Depth Fusion for 3D Scene Reconstruction [71.83308989022635]
  本稿では、ディープニューラルネットワークを用いた従来の2段階フレームワークの複製により、解釈可能性と結果の精度が向上することを提唱する。 ネットワークは,1)深部MVS技術を用いた局所深度マップの局所計算,2)深部マップと画像の特徴を融合させて単一のTSDFボリュームを構築する。 異なる視点から取得した画像間のマッチング性能を改善するために,PosedConvと呼ばれる回転不変な3D畳み込みカーネルを導入する。
  論文  参考訳（メタデータ） (2021-08-19T11:33:58Z)
• GANav: Group-wise Attention Network for Classifying Navigable Regions in Unstructured Outdoor Environments [54.21959527308051]
  本稿では,RGB画像から,オフロード地形および非構造環境における安全かつ航行可能な領域を識別する新しい学習手法を提案する。 本手法は,粒度の粗いセマンティックセグメンテーションを用いて,そのナビビリティレベルに基づいて地形分類群を分類する。 RUGD と RELLIS-3D のデータセットを広範囲に評価することにより,我々の学習アルゴリズムがナビゲーションのためのオフロード地形における視覚知覚の精度を向上させることを示す。
  論文  参考訳（メタデータ） (2021-03-07T02:16:24Z)
• Real-time Localization Using Radio Maps [59.17191114000146]
  パスロスに基づく簡易かつ効果的なローカライゼーション法を提案する。 提案手法では, 受信した信号強度を, 既知の位置を持つ基地局の集合から報告する。
  論文  参考訳（メタデータ） (2020-06-09T16:51:17Z)
• OmniSLAM: Omnidirectional Localization and Dense Mapping for Wide-baseline Multi-camera Systems [88.41004332322788]
  超広視野魚眼カメラ(FOV)を用いた広視野多視点ステレオ構成のための全方向位置決めと高密度マッピングシステムを提案する。 より実用的で正確な再構築のために、全方向深度推定のための改良された軽量のディープニューラルネットワークを導入する。 我々は全方位深度推定をビジュアル・オドメトリー(VO)に統合し,大域的整合性のためのループ閉鎖モジュールを付加する。
  論文  参考訳（メタデータ） (2020-03-18T05:52:10Z)

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。