論文の概要: Raw Data Is All You Need: Virtual Axle Detector with Enhanced Receptive
Field
- arxiv url: http://arxiv.org/abs/2309.01574v1
- Date: Mon, 4 Sep 2023 12:53:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-06 18:42:07.199198
- Title: Raw Data Is All You Need: Virtual Axle Detector with Enhanced Receptive
Field
- Title(参考訳): 生データは必要なすべてである: 強化された受容野を持つ仮想軸検出器
- Authors: Henik Riedel, Robert Steven Lorenzen and Clemens H\"ubler
- Abstract要約: 本稿では,専用軸検出装置を使わずにBWIM(Bridge Weigh-In-Motion)システムのリアルタイム適用を可能にする,軸検出のための新しいアプローチを提案する。
提案手法は,仮想軸検出器(VAD)モデルを用いて生の加速度データを処理し,受容場を増大させる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Rising maintenance costs of ageing infrastructure necessitate innovative
monitoring techniques. This paper presents a new approach for axle detection,
enabling real-time application of Bridge Weigh-In-Motion (BWIM) systems without
dedicated axle detectors. The proposed method adapts the Virtual Axle Detector
(VAD) model to handle raw acceleration data, which allows the receptive field
to be increased. The proposed Virtual Axle Detector with Enhanced Receptive
field (VADER) improves the \(F_1\) score by 73\% and spatial accuracy by 39\%,
while cutting computational and memory costs by 99\% compared to the
state-of-the-art VAD. VADER reaches a \(F_1\) score of 99.4\% and a spatial
error of 4.13~cm when using a representative training set and functional
sensors. We also introduce a novel receptive field (RF) rule for an object-size
driven design of Convolutional Neural Network (CNN) architectures. Based on
this rule, our results suggest that models using raw data could achieve better
performance than those using spectrograms, offering a compelling reason to
consider raw data as input.
- Abstract(参考訳): 老化インフラのメンテナンスコストの増大は、革新的な監視技術を必要とする。
本稿では,専用の軸検出装置を使わずに橋梁重み移動システム(bwim)をリアルタイムに適用できる軸検出のための新しい手法を提案する。
提案手法は,仮想軸検出器(VAD)モデルを用いて生の加速度データを処理し,受容場を増大させる。
提案する仮想軸検出器は,最先端のvadに比べて計算コストとメモリコストを99\%削減しつつ,f_1\)スコアを73\%,空間精度を39\%向上させる。
VADERは、代表的なトレーニングセットと機能センサーを使用すると、99.4\%の(F_1\)スコアと4.13~cmの空間誤差に達する。
また,畳み込みニューラルネットワーク(cnn)アーキテクチャのオブジェクトサイズ駆動設計のための新しい受容場(rf)ルールを提案する。
このルールに基づいて,本研究の結果から,生データを用いたモデルの方が,分光器を用いたモデルよりも優れた性能が得られる可能性が示唆された。
関連論文リスト
- Unfolding Target Detection with State Space Model [8.493729039825332]
本稿では,CFAR検出器を状態空間モデルアーキテクチャに展開することにより,信号処理とディープラーニングを組み合わせた新しい手法を提案する。
CFARパイプラインを保存し、洗練された構成をトレーニング可能なパラメータにすることで、手動パラメータチューニングなしで高い検出性能を実現する。
その結果,提案手法の顕著な性能,CFARとその変種を検出率と誤警報率で10倍に向上させることができた。
論文 参考訳(メタデータ) (2024-10-30T07:43:18Z) - PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
私たちはaを提案します。
フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。
我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
論文 参考訳(メタデータ) (2024-06-04T13:51:08Z) - DT-DDNN: A Physical Layer Security Attack Detector in 5G RF Domain for
CAVs [11.15939066175832]
妨害攻撃は5Gネットワークに重大なリスクをもたらす。
本研究は, CAVネットワークにおけるジャマー検出のための, 深層学習に基づく新しい手法を提案する。
提案手法は, 余剰低妨害電力の96.4%検出率を実現する。
論文 参考訳(メタデータ) (2024-03-05T04:29:31Z) - Automotive RADAR sub-sampling via object detection networks: Leveraging
prior signal information [18.462990836437626]
自動運転技術への関心が高まり、自動車レーダーはますます注目を集めている。
本研究では,従来の環境条件の知識に基づいて,より詳細な/正確な再構築を必要とする地域を特定するための適応型レーダサブサンプリングアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-02-21T05:32:28Z) - A deep learning approach to predict the number of k-barriers for
intrusion detection over a circular region using wireless sensor networks [3.6748639131154315]
無線センサネットワーク(WSN)は、国境地帯における侵入検知と監視の問題に対して実現可能な解決策である。
本稿では,高速な侵入検知・防止のためのkバリア数の正確な予測を行うために,完全接続型フィードフォワードニューラルネットワーク(ANN)に基づくディープラーニングアーキテクチャを提案する。
論文 参考訳(メタデータ) (2022-08-25T06:39:29Z) - Virtual Axle Detector based on Analysis of Bridge Acceleration
Measurements by Fully Convolutional Network [5.141414655148996]
本稿では,橋梁の任意の地点に加速度計を設置して軸検出を行う新しい手法を提案する。
このモデルは、連続ウェーブレット変換の形式で信号を処理するための完全な畳み込みネットワークとして実装されている。
これにより,仮想軸検出器(VAD)として機能する橋梁構造物の任意の位置において,特定の構造型に制限されることなく,加速度信号を使用することが可能である。
論文 参考訳(メタデータ) (2022-07-08T09:01:04Z) - 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) - FOVEA: Foveated Image Magnification for Autonomous Navigation [53.69803081925454]
入力キャンバスを小さく保ちながら、ある領域を弾性的に拡大する注意的アプローチを提案する。
提案手法は,高速R-CNNより高速かつ微調整の少ない検出APを高速化する。
Argoverse-HD と BDD100K の自律走行データセットでは,提案手法が標準の高速 R-CNN を超越した検出APを微調整なしで促進することを示す。
論文 参考訳(メタデータ) (2021-08-27T03:07:55Z) - Oriented R-CNN for Object Detection [61.78746189807462]
本研究では、オブジェクト指向R-CNNと呼ばれる、効果的でシンプルなオブジェクト指向オブジェクト検出フレームワークを提案する。
第1段階では,高品質な指向型提案をほぼ無償で直接生成する指向型領域提案ネットワーク(指向RPN)を提案する。
第2段階は、R-CNNヘッダーで、興味のある領域(オブジェクト指向のRoI)を精製し、認識する。
論文 参考訳(メタデータ) (2021-08-12T12:47:43Z) - Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and
On-Device Inference [49.88536971774444]
慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。
正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。
我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
論文 参考訳(メタデータ) (2020-01-13T04:41:54Z) - Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。
本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。
提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
論文 参考訳(メタデータ) (2020-01-10T05:29:17Z)
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。