論文の概要: Pedestrian Recognition with Radar Data-Enhanced Deep Learning Approach Based on Micro-Doppler Signatures

• arxiv url: http://arxiv.org/abs/2306.08303v1
• Date: Wed, 14 Jun 2023 07:19:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-16 20:07:54.403790
• Title: Pedestrian Recognition with Radar Data-Enhanced Deep Learning Approach Based on Micro-Doppler Signatures
• Title（参考訳）: マイクロドップラーシグネチャに基づくレーダーデータエンハンス型深層学習アプローチによる歩行者認識
• Authors: Haoming Li, Yu Xiang, Haodong Xu, Wenyong Wang
• Abstract要約: 本稿では,データ強化(DE)モジュールとマルチ特性学習(MCL)モジュールを備えたデータ強化多言語学習(DEMCL)モデルを提案する。 我々のモデルは、他の研究よりも3.33%から10.24%正確であり、25分間の歩行データセット上での短い実行時間は0.9324秒である。
• 参考スコア（独自算出の注目度）: 16.91496812594182
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As a hot topic in recent years, the ability of pedestrians identification based on radar micro-Doppler signatures is limited by the lack of adequate training data. In this paper, we propose a data-enhanced multi-characteristic learning (DEMCL) model with data enhancement (DE) module and multi-characteristic learning (MCL) module to learn more complementary pedestrian micro-Doppler (m-D) signatures. In DE module, a range-Doppler generative adversarial network (RDGAN) is proposed to enhance free walking datasets, and MCL module with multi-scale convolution neural network (MCNN) and radial basis function neural network (RBFNN) is trained to learn m-D signatures extracted from enhanced datasets. Experimental results show that our model is 3.33% to 10.24% more accurate than other studies and has a short run time of 0.9324 seconds on a 25-minute walking dataset.
• Abstract（参考訳）: 近年のホットな話題として、レーダーマイクロドップラーシグネチャに基づく歩行者識別能力は、適切な訓練データがないために制限されている。 本稿では,データ拡張(DE)モジュールとマルチ特性学習(MCL)モジュールを備えたデータ強化型マルチ特性学習(DEMCL)モデルを提案し,より補完的な歩行者用マイクロドップラー(m-D)シグネチャを学習する。 DEモジュールでは、フリーウォーキングデータセットを強化するためにレンジ・ドップラー生成逆数ネットワーク(RDGAN)が提案され、マルチスケール畳み込みニューラルネットワーク(MCNN)とラジアル基底関数ニューラルネットワーク(RBFNN)を備えたMCLモジュールは、強化データセットから抽出されたm-Dシグネチャを学習するために訓練される。 実験の結果,25分間の歩行データセットにおいて,本モデルは3.33%から10.24%の精度を示し,走行時間は0.09324秒であった。

関連論文リスト

• UnLoc: A Universal Localization Method for Autonomous Vehicles using LiDAR, Radar and/or Camera Input [51.150605800173366]
  UnLocは、全ての気象条件におけるマルチセンサー入力によるローカライズのための、新しい統一型ニューラルネットワークアプローチである。 本手法は,Oxford Radar RobotCar,Apollo SouthBay,Perth-WAの各データセットで広く評価されている。
  論文  参考訳（メタデータ） (2023-07-03T04:10:55Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• Inertial Hallucinations -- When Wearable Inertial Devices Start Seeing Things [82.15959827765325]
  環境支援型生活(AAL)のためのマルチモーダルセンサフュージョンの新しいアプローチを提案する。 我々は、標準マルチモーダルアプローチの2つの大きな欠点、限られた範囲のカバレッジ、信頼性の低下に対処する。 我々の新しいフレームワークは、三重項学習によるモダリティ幻覚の概念を融合させ、異なるモダリティを持つモデルを訓練し、推論時に欠落したセンサーに対処する。
  論文  参考訳（メタデータ） (2022-07-14T10:04:18Z)
• Self-Supervised RF Signal Representation Learning for NextG Signal Classification with Deep Learning [5.624291722263331]
  自己教師付き学習は、無線周波数(RF)信号自体から有用な表現を学習することを可能にする。 自己教師型学習による信号表現の学習により,AMRのサンプル効率(精度向上に必要なラベル付きサンプル数)を大幅に向上できることを示す。
  論文  参考訳（メタデータ） (2022-07-07T02:07:03Z)
• Boosting 3D Object Detection by Simulating Multimodality on Point Clouds [51.87740119160152]
  本稿では,LiDAR 画像検出器に追従する特徴や応答をシミュレートすることで,単一モダリティ (LiDAR) 3次元物体検出器を高速化する新しい手法を提案する。 このアプローチでは、単一モダリティ検出器をトレーニングする場合のみ、LiDARイメージデータを必要とし、十分にトレーニングされた場合には、推論時にのみLiDARデータが必要である。 nuScenesデータセットの実験結果から,本手法はSOTA LiDARのみの3D検出器よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2022-06-30T01:44:30Z)
• Variational Autoencoder Assisted Neural Network Likelihood RSRP Prediction Model [2.881201648416745]
  MDTデータとデジタルツイン(DT)を利用したRSRP予測のための生成モデルについて検討する。 実世界のデータを用いた提案モデルでは,実証モデルと比較して約20%以上の精度向上が示されている。
  論文  参考訳（メタデータ） (2022-06-27T17:27:35Z)
• A Multi-Characteristic Learning Method with Micro-Doppler Signatures for Pedestrian Identification [14.878153838197353]
  本稿では,異なる歩行者用マイクロドップラーシグネチャを共同学習するために,クラスタを用いたマルチ特性学習モデルを提案する。 我々のモデルは精度が高く、他の研究よりも歩行者の識別に安定している。
  論文  参考訳（メタデータ） (2022-03-23T07:12:39Z)
• Learning Moving-Object Tracking with FMCW LiDAR [53.05551269151209]
  新たに開発したLiDARセンサである周波数変調連続波(FMCW)を用いた学習型移動物体追跡手法を提案する。 ラベルが与えられた場合,同じインスタンスから機能を埋め込みスペースにまとめて,異なるインスタンスから機能を分離してトラッキング品質を向上させる,対照的な学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-02T09:11:36Z)
• Wireless Sensing With Deep Spectrogram Network and Primitive Based Autoregressive Hybrid Channel Model [20.670058030653458]
  無線センシングに基づくヒューマンモーション認識(hmr)は,シーン理解のための低コスト手法である。 現在のHMRシステムは、レーダー信号を分類するためにサポートベクターマシン(SVM)と畳み込みニューラルネットワーク(CNN)を採用している。 本稿では,残差マッピング技術を利用してHMR性能を向上させるディープ・スペクトログラム・ネットワーク(DSN)を提案する。
  論文  参考訳（メタデータ） (2021-04-21T06:33:01Z)
• Enhancing Fiber Orientation Distributions using convolutional Neural Networks [0.0]
  商業的に取得したMRIにおけるFODの改善について学ぶ。 パッチベースの3次元畳み込みニューラルネットワーク(CNN)の評価 本手法により,シングルシェルdMRI取得プロトコル上でのCDDモデル推定が可能となる。
  論文  参考訳（メタデータ） (2020-08-12T16:06:25Z)
• X-ModalNet: A Semi-Supervised Deep Cross-Modal Network for Classification of Remote Sensing Data [69.37597254841052]
  我々はX-ModalNetと呼ばれる新しいクロスモーダルディープラーニングフレームワークを提案する。 X-ModalNetは、ネットワークの上部にある高レベルな特徴によって構築されたアップダスタブルグラフ上にラベルを伝搬するため、うまく一般化する。 我々は2つのマルチモーダルリモートセンシングデータセット(HSI-MSIとHSI-SAR)上でX-ModalNetを評価し、いくつかの最先端手法と比較して大幅に改善した。
  論文  参考訳（メタデータ） (2020-06-24T15:29:41Z)

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。