論文の概要: Transformer-Based Neural Surrogate for Link-Level Path Loss Prediction
from Variable-Sized Maps
- arxiv url: http://arxiv.org/abs/2310.04570v2
- Date: Tue, 10 Oct 2023 13:32:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-12 17:28:30.119370
- Title: Transformer-Based Neural Surrogate for Link-Level Path Loss Prediction
from Variable-Sized Maps
- Title(参考訳): 可変サイズマップからのリンクレベル損失予測のためのトランスフォーマーベースニューラルサロゲート
- Authors: Thomas M. Hehn, Tribhuvanesh Orekondy, Ori Shental, Arash Behboodi,
Juan Bucheli, Akash Doshi, June Namgoong, Taesang Yoo, Ashwin Sampath, Joseph
B. Soriaga
- Abstract要約: 送信機と受信機の位置に対する経路損失の推定は、ネットワーク計画やハンドオーバを含む多くのユースケースにおいて重要である。
本稿では,様々な次元の地図やスパース測定からリンクレベルの特性を予測できるトランスフォーマーベースのニューラルネットワークアーキテクチャを提案する。
- 参考スコア(独自算出の注目度): 11.327456466796681
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Estimating path loss for a transmitter-receiver location is key to many
use-cases including network planning and handover. Machine learning has become
a popular tool to predict wireless channel properties based on map data. In
this work, we present a transformer-based neural network architecture that
enables predicting link-level properties from maps of various dimensions and
from sparse measurements. The map contains information about buildings and
foliage. The transformer model attends to the regions that are relevant for
path loss prediction and, therefore, scales efficiently to maps of different
size. Further, our approach works with continuous transmitter and receiver
coordinates without relying on discretization. In experiments, we show that the
proposed model is able to efficiently learn dominant path losses from sparse
training data and generalizes well when tested on novel maps.
- Abstract(参考訳): 送信者位置の経路損失の推定は、ネットワーク計画やハンドオーバを含む多くのユースケースにとって重要である。
機械学習は、地図データに基づいて無線チャネル特性を予測する一般的なツールとなっている。
本研究では,様々な次元の地図やスパース測定からリンクレベルの特性を予測できるトランスフォーマーベースのニューラルネットワークアーキテクチャを提案する。
地図には建物や葉の情報が含まれています。
変圧器モデルは、経路損失予測に関連する領域に従属するので、異なる大きさの地図に対して効率的にスケールする。
さらに,本手法は離散化に頼ることなく連続送信機と受信機座標で動作する。
実験では,提案モデルがスパーストレーニングデータから支配的パスロスを効率的に学習し,新規マップ上でテストした場合によく一般化できることを示す。
関連論文リスト
- Radio Map Estimation -- An Open Dataset with Directive Transmitter
Antennas and Initial Experiments [49.61405888107356]
実世界の現実的な都市地図とオープンなデータソースからの航空画像とともに、シミュレーションされた経路損失無線マップのデータセットをリリースする。
モデルアーキテクチャ,入力特徴設計,航空画像からの無線マップの推定に関する実験を行った。
論文 参考訳(メタデータ) (2024-01-12T14:56:45Z) - GCT-TTE: Graph Convolutional Transformer for Travel Time Estimation [1.6499388997661122]
本稿では,旅行時間推定問題に対するトランスフォーマーモデルを提案する。
提案したGCT-TTEアーキテクチャは、入力経路の異なる特性を捉える異なるデータモダリティの利用である。
GCT-TTEは、ユーザが定義したルートでさらなる実験を行うために、Webサービスとしてデプロイされた。
論文 参考訳(メタデータ) (2023-06-07T10:44:13Z) - Neural Jacobian Fields: Learning Intrinsic Mappings of Arbitrary Meshes [38.157373733083894]
本稿では,ニューラルネットワークによる任意のメッシュの断片的線形マッピングを正確に予測するフレームワークを提案する。
このフレームワークは、グローバルな形状記述子に条件付けされた単一点の行列の予測に神経的な側面を還元することに基づいている。
個々のメッシュの固有の勾配領域で操作することで、フレームワークは高度に正確なマッピングを予測できる。
論文 参考訳(メタデータ) (2022-05-05T19:51:13Z) - PreTraM: Self-Supervised Pre-training via Connecting Trajectory and Map [58.53373202647576]
軌道予測のための自己教師付き事前学習方式であるPreTraMを提案する。
1) トラジェクティブ・マップ・コントラクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)の2つのパートから構成される。
AgentFormerやTrajectron++といった一般的なベースラインに加えて、PreTraMは、挑戦的なnuScenesデータセット上で、FDE-10でパフォーマンスを5.5%と6.9%向上させる。
論文 参考訳(メタデータ) (2022-04-21T23:01:21Z) - Context-Preserving Instance-Level Augmentation and Deformable
Convolution Networks for SAR Ship Detection [50.53262868498824]
ランダムな方向と部分的な情報損失によるSAR画像のターゲット形状の変形は、SAR船の検出において必須の課題である。
ターゲット内の部分的な情報損失に頑健なディープネットワークをトレーニングするためのデータ拡張手法を提案する。
論文 参考訳(メタデータ) (2022-02-14T07:01:01Z) - Self-supervised Audiovisual Representation Learning for Remote Sensing
Data [70.64030011999981]
遠隔センシングにおける深層ニューラルネットワークの事前学習のための自己教師型アプローチを提案する。
ジオタグ付きオーディオ記録とリモートセンシングの対応を利用して、これは完全にラベルなしの方法で行われる。
提案手法は,既存のリモートセンシング画像の事前学習方法よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-08-02T07:50:50Z) - Transformer-based Map Matching Model with Limited Ground-Truth Data
using Transfer-Learning Approach [6.510061176722248]
多くのトラジェクトリベースのアプリケーションでは、生のGPSトラジェクトリをデジタルマップの道路網にマッピングする必要がある。
本稿では,データの観点から地図マッチングの課題を考察し,深層学習に基づく地図マッチングモデルを提案する。
合成軌道データを生成し,トランスフォーマーモデルを事前学習し,有限個の接地トラスデータでモデルを微調整する。
論文 参考訳(メタデータ) (2021-08-01T11:51:11Z) - Unsupervised Metric Relocalization Using Transform Consistency Loss [66.19479868638925]
メートル法再ローカライズを行うためのトレーニングネットワークは、従来、正確な画像対応が必要である。
地図内のクエリ画像のローカライズは、登録に使用される参照画像に関係なく、同じ絶対的なポーズを与えるべきである。
提案手法は, 限られた地下構造情報が得られる場合に, 他の教師あり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) (2020-11-01T19:24:27Z) - Learning Propagation Rules for Attribution Map Generation [146.71503336770886]
本稿では,属性マップを生成する専用手法を提案する。
具体的には,各ピクセルに対して適応的な伝搬規則を可能にする学習可能なプラグインモジュールを提案する。
導入された学習可能なモジュールは、高階差分サポートを備えた任意のオートグレードフレームワークでトレーニングすることができる。
論文 参考訳(メタデータ) (2020-10-14T16:23:58Z) - Automatic extraction of road intersection points from USGS historical
map series using deep convolutional neural networks [0.0]
道路交差点のデータは、異なる地理空間的応用と分析に利用されてきた。
我々は、ディープ畳み込みニューラルネットワークを領域ベースCNNと呼ばれるオブジェクト検出タスクに使用する標準パラダイムを採用した。
また、従来のコンピュータビジョンアルゴリズムと比較して、RCNNはより正確な抽出を提供する。
論文 参考訳(メタデータ) (2020-07-14T23:51:15Z)
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。