論文の概要: Enhanced Attention-Based Unrolling for Sparse Sequential micro-Doppler Reconstruction

• arxiv url: http://arxiv.org/abs/2306.14233v1
• Date: Sun, 25 Jun 2023 12:50:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-27 16:03:09.736116
• Title: Enhanced Attention-Based Unrolling for Sparse Sequential micro-Doppler Reconstruction
• Title（参考訳）: Sparse Sequential Micro-Doppler 再建のための注意ベースアンロール
• Authors: Riccardo Mazzieri, Jacopo Pegoraro and Michele Rossi
• Abstract要約: 本稿では,1つの回転しないハードスレッディング層とアテンション機構を組み合わせた軽量ニューラルネットワークSTARを提案する。 我々は,60 GHz IEEE 802.11ay チャネルを用いた公共通信・センシングデータセット上でのSTARの評価を行った。
• 参考スコア（独自算出の注目度）: 2.8575516056239576
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The reconstruction of micro-Doppler signatures of human movements is a key enabler for fine-grained activity recognition with radio-frequency sensing. In this work, we focus on Joint Communication and Sensing (JCS) systems where, unlike in dedicated radar sensing systems, a suitable tradeoff between sensing accuracy and communication overhead has to be attained. It follows that the micro-Doppler has to be reconstructed from sparse and noisy channel estimates obtained from communication packets, limiting as much as possible the transmission of additional probing signals for the purpose of sensing. Existing approaches exploit compressed sensing, but produce very poor reconstructions when only a few channel measurements are available, which is often the case in real communication patterns. In addition, the large number of iterations they need to converge hinders their use in real-time systems. Here, we present STAR, a lightweight neural network that combines a single unrolled iterative hard-thresholding layer with an attention mechanism. Our new approach exploits the temporal correlation of the micro-Doppler to accurately reconstruct microDoppler sequences from human movement even from very sparse channel measurements. In doing so, it combines model-based and data-driven approaches into an interpretable and low-complexity architecture, which is amenable to real-time implementations. We evaluate STAR on a public JCS dataset of 60 GHz IEEE 802.11ay channel measurements of human activity traces. Experimental results show that it substantially outperforms state-of-the-art solutions in terms of the reconstructed microDoppler quality. Remarkably, STAR enables human activity recognition with satisfactory accuracy even with 90%-sparse channel measurements, for which existing techniques fail.
• Abstract（参考訳）: ヒト運動のマイクロドップラーシグネチャの再構成は、高周波センシングによる微細な活動認識の鍵となる。 本研究では,JCS(Joint Communication and Sensing)システムに焦点をあて,専用レーダーセンシングシステムとは異なり,検出精度と通信オーバーヘッドとの適切なトレードオフを実現する必要がある。 その結果,マイクロドップラーは通信パケットから得られたスパースチャネルとノイズチャネルの推定値から再構成され,検出のために追加の探索信号の送信を極力制限していることがわかった。 既存のアプローチは圧縮センシングを利用するが、いくつかのチャネル計測が利用可能であれば、非常に貧弱な再構成をもたらす。 加えて、収束するために必要な多数のイテレーションは、リアルタイムシステムでの使用を妨げる。 ここでは,1つの回転しない反復型ハードスレッディング層とアテンション機構を組み合わせた軽量ニューラルネットワークSTARを提案する。 本研究は,マイクロドップラーの時間的相関を利用して,微小ドップラー配列を人間の動きから正確に再構成する手法である。 そうすることで、モデルベースとデータ駆動のアプローチを解釈可能で低複雑さのアーキテクチャに組み合わせることができます。 我々は,60GHz IEEE 802.11ay チャネルによる人的活動トレースの公開 JCS データセット上でSTARを評価した。 実験結果から, 再構成マイクロドップラーの品質において, 最先端のソリューションを著しく上回ることがわかった。 驚くべきことに、starは、既存の技術が失敗する90%のチャネル測定でも、十分な精度でヒューマンアクティビティ認識を可能にする。

関連論文リスト

• Convolutional Neural Network Design and Evaluation for Real-Time Multivariate Time Series Fault Detection in Spacecraft Attitude Sensors [41.94295877935867]
  本稿では,ドローンのような宇宙船の加速度計および慣性測定ユニット内のスタンプ値を検出するための新しい手法を提案する。 マルチチャネル畳み込みニューラルネットワーク(CNN)は、マルチターゲット分類を実行し、センサ内の障害を独立に検出するために使用される。 ネットワークの異常を効果的に検出し,システムレベルでの回復動作をトリガーする統合手法を提案する。
  論文  参考訳（メタデータ） (2024-10-11T09:36:38Z)
• Joint Channel Estimation and Feedback with Masked Token Transformers in Massive MIMO Systems [74.52117784544758]
  本稿では,CSI行列内の固有周波数領域相関を明らかにするエンコーダデコーダに基づくネットワークを提案する。 エンコーダ・デコーダネットワーク全体がチャネル圧縮に使用される。 提案手法は,共同作業における現状のチャネル推定およびフィードバック技術より優れる。
  論文  参考訳（メタデータ） (2023-06-08T06:15:17Z)
• Signal Detection in MIMO Systems with Hardware Imperfections: Message Passing on Neural Networks [101.59367762974371]
  本稿では,Multi-Input-multiple-output (MIMO)通信システムにおける信号検出について検討する。 パイロット信号が限られているディープニューラルネットワーク(DNN)のトレーニングは困難であり、実用化を妨げている。 我々は、ユニタリ近似メッセージパッシング(UAMP)アルゴリズムを利用して、効率的なメッセージパッシングに基づくベイズ信号検出器を設計する。
  論文  参考訳（メタデータ） (2022-10-08T04:32:58Z)
• Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access [65.21117658030235]
  本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。 MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。 その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
  論文  参考訳（メタデータ） (2022-05-02T12:23:55Z)
• MDPose: Human Skeletal Motion Reconstruction Using WiFi Micro-Doppler Signatures [4.92674421365689]
  WiFiマイクロドップラーシグネチャに基づくヒト骨格運動再建のための新しいフレームワークであるMDPoseを提案する。 17個のキーポイントを持つ骨格モデルを再構築することで、人間の活動を追跡する効果的なソリューションを提供する。 MDPoseは最先端のRFベースのポーズ推定システムより優れている。
  論文  参考訳（メタデータ） (2022-01-11T21:46:28Z)
• Model-Driven Deep Learning Based Channel Estimation and Feedback for Millimeter-Wave Massive Hybrid MIMO Systems [61.78590389147475]
  本稿では,ミリ波(mmWave)システムのモデル駆動深層学習(MDDL)に基づくチャネル推定とフィードバック方式を提案する。 無線周波数(RF)鎖の限られた数から高次元チャネルを推定するためのアップリンクパイロットオーバーヘッドを低減するために,位相シフトネットワークとチャネル推定器を自動エンコーダとして共同で訓練することを提案する。 MDDLに基づくチャネル推定とフィードバック方式は,最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-22T13:34:53Z)
• End-to-end Learning for OFDM: From Neural Receivers to Pilotless Communication [12.325545487629297]
  周波数選択型および時間選択型フェーディングチャネル上でのエンド・ツー・エンド・ラーニングの効果について検討する。 受信機における不完全なチャネル知識により、AWGNチャネルで観測されたシェイピングゲインは消滅する。 他の2つのパフォーマンス改善源を特定します。
  論文  参考訳（メタデータ） (2020-09-11T07:33:00Z)
• Deep Denoising Neural Network Assisted Compressive Channel Estimation for mmWave Intelligent Reflecting Surfaces [99.34306447202546]
  本稿では,mmWave IRSシステムに対するディープデノイングニューラルネットワークを用いた圧縮チャネル推定法を提案する。 我々はまず、受信チェーンをほとんど使わず、アップリンクのユーザ-IRSチャネルを推定するハイブリッド・パッシブ/アクティブIRSアーキテクチャを導入する。 完全チャネル行列は、圧縮センシングに基づいて限られた測定値から再構成することができる。
  論文  参考訳（メタデータ） (2020-06-03T12:18:57Z)
• DeepSIC: Deep Soft Interference Cancellation for Multiuser MIMO Detection [98.43451011898212]
  複数のシンボルが同時に送信されるマルチユーザマルチインプットマルチアウトプット(MIMO)設定では、正確なシンボル検出が困難である。 本稿では,DeepSICと呼ぶ反復ソフト干渉キャンセリング(SIC)アルゴリズムの,データ駆動による実装を提案する。 DeepSICは、チャネルを線形にすることなく、限られたトレーニングサンプルから共同検出を行うことを学ぶ。
  論文  参考訳（メタデータ） (2020-02-08T18:31:00Z)

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。