論文の概要: Attention-Refined Unrolling for Sparse Sequential micro-Doppler
Reconstruction
- arxiv url: http://arxiv.org/abs/2306.14233v2
- Date: Mon, 5 Feb 2024 14:25:03 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-07 06:06:18.166076
- Title: Attention-Refined Unrolling for Sparse Sequential micro-Doppler
Reconstruction
- Title（参考訳）: スパース・シーケンシャル・マイクロドップラー・リコンストラクションのための注意深いアンロール法
- Authors: Riccardo Mazzieri, Jacopo Pegoraro and Michele Rossi
- Abstract要約: STARは、高度に不完全なチャネル計測からでも人間の動きのマイクロドップラー配列を再構築するニューラルネットワークである。
これは、再構築されたマイクロドップラーの品質の観点から、最先端の技術を大幅に上回っている。
- 参考スコア（独自算出の注目度）: 1.1356542363919058
- 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 wireless sensing. In Joint
Communication and Sensing (JCS) systems, unlike in dedicated radar sensing
systems, a suitable trade-off between sensing accuracy and communication
overhead has to be attained. It follows that the micro-Doppler has to be
reconstructed from incomplete windows of channel estimates obtained from
communication packets. Existing approaches exploit compressed sensing, but
produce very poor reconstructions when only a few channel measurements are
available, which is often the case with real communication patterns. In
addition, the large number of iterations they need to converge hinders their
use in real-time systems. In this work, we propose and validate STAR, a neural
network that reconstructs micro-Doppler sequences of human movement even from
highly incomplete channel measurements. STAR is based upon a new architectural
design that combines a single unrolled iterative hard-thresholding layer with
an attention mechanism, used at its output. This results in an interpretable
and lightweight architecture that reaps the benefits of both model-based and
data driven solutions. STAR is evaluated on a public JCS dataset of 60 GHz
channel measurements of human activity traces. Experimental results show that
it substantially outperforms state-of-the-art techniques in terms of the
reconstructed micro-Doppler quality. Remarkably, STAR enables human activity
recognition with satisfactory accuracy even with 90% of missing channel
measurements, for which existing techniques fail.
- Abstract（参考訳）: ヒトの動きのマイクロドップラーシグネチャの再構築は、微細な活動認識無線センシングの鍵となる。
JCS(Joint Communication and Sensing)システムでは、専用レーダーセンシングシステムとは異なり、検知精度と通信オーバーヘッドの間の適切なトレードオフが達成されなければならない。
通信パケットから得られたチャネル推定の不完全な窓からマイクロドップラーを再構築する必要がある。
既存のアプローチでは圧縮センシングを活用しているが、ほんの数チャンネルの計測しか利用できない場合、非常に貧弱なリコンストラクションが発生する。
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。
本研究では,高度不完全チャネル計測からヒト運動のマイクロドップラー配列を再構成するニューラルネットワークSTARを提案する。
STARは、新しいアーキテクチャ設計に基づいており、出力に使用される1つの非ロールの反復的ハードスレッディング層とアテンションメカニズムを組み合わせたものである。
その結果、モデルベースとデータ駆動の両方のソリューションの利点を享受する解釈可能で軽量なアーキテクチャが生まれます。
STARは、人間の活動トレースを60GHzのチャネルで測定した公共のJSSデータセットで評価される。
実験結果から, 再建したマイクロドップラーの品質において, 最先端技術を大幅に上回ることがわかった。
注目すべきは、STARは既存の技術が失敗するチャネル測定の90%を欠いている場合でも、十分な精度で人間の活動認識を可能にすることである。
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。