論文の概要: IHT-Inspired Neural Network for Single-Snapshot DOA Estimation with
Sparse Linear Arrays
- arxiv url: http://arxiv.org/abs/2309.08429v1
- Date: Fri, 15 Sep 2023 14:30:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-18 14:23:17.848036
- Title: IHT-Inspired Neural Network for Single-Snapshot DOA Estimation with
Sparse Linear Arrays
- Title（参考訳）: スパースリニアアレイを用いた単発DOA推定のためのIHT型ニューラルネットワーク
- Authors: Yunqiao Hu and Shunqiao Sun
- Abstract要約: スパース線形アレイを用いた単発DOA推定のためのIHTにインスパイアされたニューラルネットワークを提案する。
我々は、IHTアルゴリズムをパラメータ化するために、繰り返しニューラルネットワーク構造を利用する。
また、浅層オートエンコーダを統合して t-SVD を置き換えることにより、計算オーバーヘッドを低減する。
- 参考スコア（独自算出の注目度）: 3.04585143845864
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Single-snapshot direction-of-arrival (DOA) estimation using sparse linear
arrays (SLAs) has gained significant attention in the field of automotive MIMO
radars. This is due to the dynamic nature of automotive settings, where
multiple snapshots aren't accessible, and the importance of minimizing hardware
costs. Low-rank Hankel matrix completion has been proposed to interpolate the
missing elements in SLAs. However, the solvers of matrix completion, such as
iterative hard thresholding (IHT), heavily rely on expert knowledge of
hyperparameter tuning and lack task-specificity. Besides, IHT involves
truncated-singular value decomposition (t-SVD), which has high computational
cost in each iteration. In this paper, we propose an IHT-inspired neural
network for single-snapshot DOA estimation with SLAs, termed IHT-Net. We
utilize a recurrent neural network structure to parameterize the IHT algorithm.
Additionally, we integrate shallow-layer autoencoders to replace t-SVD,
reducing computational overhead while generating a novel optimizer through
supervised learning. IHT-Net maintains strong interpretability as its network
layer operations align with the iterations of the IHT algorithm. The learned
optimizer exhibits fast convergence and higher accuracy in the full array
signal reconstruction followed by single-snapshot DOA estimation. Numerical
results validate the effectiveness of the proposed method.
- Abstract（参考訳）: Sparse linear arrays (SLA) を用いた単発位置方向推定 (DOA) は, 自動車MIMOレーダの分野で大きな注目を集めている。
これは、複数のスナップショットにアクセスできない自動車設定の動的な性質と、ハードウェアコストの最小化の重要性による。
低ランクハンケル行列はSLAの欠落要素を補間するために提案されている。
しかし、反復ハードしきい値(IHT)のような行列完備化の解法は、ハイパーパラメータチューニングの専門知識に大きく依存し、タスク特異性を欠いている。
さらに、IHTは、各イテレーションで高い計算コストを持つt-SVD(truncated-singular value decomposition)を含む。
本稿では、IHT-Netと呼ばれるSLAを用いた単発DOA推定のためのIHT型ニューラルネットワークを提案する。
IHTアルゴリズムのパラメータ化には、繰り返しニューラルネットワーク構造を用いる。
さらに、浅層オートエンコーダを統合して t-SVD を置き換えることにより、教師付き学習により新しい最適化器を生成しながら計算オーバーヘッドを低減する。
IHT-Netは、ネットワーク層操作がIHTアルゴリズムの反復と一致するため、強い解釈可能性を維持している。
学習したオプティマイザはフルアレイ信号再構成において高速収束と高い精度を示し,single-snapshot doa推定を行う。
提案手法の有効性を数値計算により検証した。
関連論文リスト
- Hyperspectral Image Classification Based on Faster Residual Multi-branch Spiking Neural Network [6.166929138912052]
本稿では,HSI分類タスクのための漏洩統合火災ニューロンモデルに基づくスパイキングニューラルネットワーク(SNN)を構築する。
SNN-SWMRでは、タイムステップの約84%、トレーニング時間、テストタイムの約63%と70%を同じ精度で削減する必要がある。
論文 参考訳（メタデータ） (2024-09-18T00:51:01Z) - Low-Rank Representations Meets Deep Unfolding: A Generalized and
Interpretable Network for Hyperspectral Anomaly Detection [41.50904949744355]
現在のハイパースペクトル異常検出(HAD)ベンチマークデータセットは、低解像度、単純なバックグラウンド、検出データの小さなサイズに悩まされている。
これらの要因は、ロバスト性の観点からよく知られた低ランク表現(LRR)モデルの性能も制限する。
我々は、複雑なシナリオにおけるHADアルゴリズムの堅牢性を改善するために、新しいHADベンチマークデータセットであるAIR-HADを構築した。
論文 参考訳（メタデータ） (2024-02-23T14:15:58Z) - ATASI-Net: An Efficient Sparse Reconstruction Network for Tomographic
SAR Imaging with Adaptive Threshold [13.379416816598873]
本稿では,解析的反復収縮しきい値決定アルゴリズム(ALISTA)に基づく,効率的なスパース展開ネットワークを提案する。
ATASI-Netの各層における重み行列は、オフライン最適化問題の解法として事前計算される。
さらに、各方位領域画素に対して適応しきい値を導入し、しきい値収縮を層蒸着だけでなく素子的にも可能とする。
論文 参考訳（メタデータ） (2022-11-30T09:55:45Z) - Efficient Dataset Distillation Using Random Feature Approximation [109.07737733329019]
本稿では,ニューラルネットワークガウス過程(NNGP)カーネルのランダム特徴近似(RFA)を用いた新しいアルゴリズムを提案する。
我々のアルゴリズムは、KIP上で少なくとも100倍のスピードアップを提供し、1つのGPUで実行できる。
RFA蒸留 (RFAD) と呼ばれる本手法は, 大規模データセットの精度において, KIP や他のデータセット凝縮アルゴリズムと競合して動作する。
論文 参考訳（メタデータ） (2022-10-21T15:56:13Z) - NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。
所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。
ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
論文 参考訳（メタデータ） (2022-09-29T04:06:00Z) - Random Features for the Neural Tangent Kernel [57.132634274795066]
完全接続型ReLUネットワークのニューラルタンジェントカーネル(NTK)の効率的な特徴マップ構築を提案する。
得られた特徴の次元は、理論と実践の両方で比較誤差境界を達成するために、他のベースライン特徴マップ構造よりもはるかに小さいことを示しています。
論文 参考訳（メタデータ） (2021-04-03T09:08:12Z) - Learning Frequency-aware Dynamic Network for Efficient Super-Resolution [56.98668484450857]
本稿では、離散コサイン変換(dct)領域の係数に応じて入力を複数の部分に分割する新しい周波数認識動的ネットワークについて検討する。
実際、高周波部は高価な操作で処理され、低周波部は計算負荷を軽減するために安価な操作が割り当てられる。
ベンチマークSISRモデルおよびデータセット上での実験は、周波数認識動的ネットワークが様々なSISRニューラルネットワークに使用できることを示している。
論文 参考訳（メタデータ） (2021-03-15T12:54:26Z) - MS-RANAS: Multi-Scale Resource-Aware Neural Architecture Search [94.80212602202518]
我々は,MS-RANAS(Multi-Scale Resource-Aware Neural Architecture Search)を提案する。
我々は,検索コストの削減を図るために,ワンショットのアーキテクチャ探索手法を採用した。
我々は精度-速度トレードオフの観点から最先端の結果を得る。
論文 参考訳（メタデータ） (2020-09-29T11:56:01Z) - Selective Convolutional Network: An Efficient Object Detector with
Ignoring Background [28.591619763438054]
Selective Convolutional Network (SCN) と呼ばれる効率的なオブジェクト検出器を導入し、意味のある情報を含む場所のみを選択的に計算する。
そこで本稿では,ネットワークの次を導くためのオーバーヘッドを無視できるような,精巧な構造を設計する。
論文 参考訳（メタデータ） (2020-02-04T10:07:01Z) - Depthwise Non-local Module for Fast Salient Object Detection Using a
Single Thread [136.2224792151324]
本稿では,高速な物体検出のための新しいディープラーニングアルゴリズムを提案する。
提案アルゴリズムは,1つのCPUスレッドと同時に,競合精度と高い推論効率を実現する。
論文 参考訳（メタデータ） (2020-01-22T15:23:48Z)
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。