Fugu-MT 論文翻訳(概要): In-Sensor Radio Frequency Computing for Energy-Efficient Intelligent Radar

論文の概要: In-Sensor Radio Frequency Computing for Energy-Efficient Intelligent Radar

arxiv url: http://arxiv.org/abs/2312.10343v1
Date: Sat, 16 Dec 2023 06:21:42 GMT
ステータス: 処理完了
システム内更新日: 2023-12-19 17:02:14.085619
Title: In-Sensor Radio Frequency Computing for Energy-Efficient Intelligent Radar
Title（参考訳）: エネルギー効率の高い知的レーダのためのセンサ内周波数計算
Authors: Yang Sui, Minning Zhu, Lingyi Huang, Chung-Tse Michael Wu, Bo Yuan
Abstract要約: 本稿では,大規模RFNNを,その精度をほぼ保ちつつ,コンパクトなRFNNに変換することを提案する。我々は、ロバストTT-RFNN(RTT-RFNN)をTT-RFNNに組み込むことにより、ロバストTT-RFNN(RTT-RFNN)を構築する。 MNIST と CIFAR-10 データセットを用いた実験により,提案手法の有効性が示された。
参考スコア（独自算出の注目度）: 8.041399176135178
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Radio Frequency Neural Networks (RFNNs) have demonstrated advantages in realizing intelligent applications across various domains. However, as the model size of deep neural networks rapidly increases, implementing large-scale RFNN in practice requires an extensive number of RF interferometers and consumes a substantial amount of energy. To address this challenge, we propose to utilize low-rank decomposition to transform a large-scale RFNN into a compact RFNN while almost preserving its accuracy. Specifically, we develop a Tensor-Train RFNN (TT-RFNN) where each layer comprises a sequence of low-rank third-order tensors, leading to a notable reduction in parameter count, thereby optimizing RF interferometer utilization in comparison to the original large-scale RFNN. Additionally, considering the inherent physical errors when mapping TT-RFNN to RF device parameters in real-world deployment, from a general perspective, we construct the Robust TT-RFNN (RTT-RFNN) by incorporating a robustness solver on TT-RFNN to enhance its robustness. To adapt the RTT-RFNN to varying requirements of reshaping operations, we further provide a reconfigurable reshaping solution employing RF switch matrices. Empirical evaluations conducted on MNIST and CIFAR-10 datasets show the effectiveness of our proposed method.
Abstract（参考訳）: RFNN(Radio Frequency Neural Networks)は、様々な領域にわたるインテリジェントなアプリケーションを実現する利点を実証している。しかし、ディープニューラルネットワークのモデルサイズが急速に大きくなるにつれて、大規模RFNNの実装には大量のRF干渉計が必要となり、かなりのエネルギーを消費する。この課題に対処するため,大規模RFNNを小型RFNNに変換するために,その精度をほぼ保ちながら低ランク分解を利用する手法を提案する。具体的には、各層が低ランクの3階テンソル列から構成されるテンソル・トレインRFNN(TT-RFNN)を開発し、パラメータカウントの顕著な低減を実現し、従来の大規模RFNNと比較してRF干渉計の利用を最適化する。さらに,実世界の展開において,TT-RFNNをRFデバイスパラメータにマッピングする場合の物理誤差を考慮し,ロバストTT-RFNN(RTT-RFNN)を構築し,そのロバスト性を高める。さらに,RTT-RFNNを様々なリフォーム操作の要求に適応させるために,RFスイッチ行列を用いた再構成可能なリフォームソリューションを提案する。 mnistおよびcifar-10データセットを用いた実験評価の結果,提案手法の有効性が示された。

関連論文リスト

Few-shot NeRF by Adaptive Rendering Loss Regularization [78.50710219013301]
スパース入力を用いた新しいビュー合成はニューラルラジアンス場(NeRF)に大きな課題をもたらす近年の研究では、位置レンダリングの周波数規則化は、数発のNeRFに対して有望な結果が得られることが示されている。我々は,AR-NeRFと呼ばれる数発のNeRFに対して適応レンダリング損失正規化を提案する。
論文参考訳（メタデータ） (2024-10-23T13:05:26Z)
Deep Learning for Low-Latency, Quantum-Ready RF Sensing [2.5393702482222813]
近年の研究では、無線周波数(RF)信号のソフトウェア処理を強化するためにディープラーニングを適用することが期待されている。本稿では,RF信号分類のための量子可読機械学習手法の実装について述べる。
論文参考訳（メタデータ） (2024-04-27T17:22:12Z)
NeRF-DetS: Enhancing Multi-View 3D Object Detection with Sampling-adaptive Network of Continuous NeRF-based Representation [60.47114985993196]
NeRF-Detは、新しいビュー演算と3D知覚のタスクを統一する。我々は,新しい3次元知覚ネットワーク構造であるNeRF-DetSを導入する。 NeRF-DetSはScanNetV2データセット上で競合するNeRF-Detより優れている。
論文参考訳（メタデータ） (2024-04-22T06:59:03Z)
RF-Diffusion: Radio Signal Generation via Time-Frequency Diffusion [15.175370227353406]
RF信号の時間・周波数・複素値領域における情報入力を可能にするため,新しい時間周波数拡散理論を導入する。 RF拡散(RF-Diffusion)は、多種多様な高品質かつ時系列のRFデータを生成する汎用的なソリューションである。また、5Gネットワークにおいて、Wi-Fiセンシングシステムを強化し、チャネル推定を行う上で、RF拡散の汎用性を示す。
論文参考訳（メタデータ） (2024-04-14T04:56:05Z)
Balanced Resonate-and-Fire Neurons [1.3223682837381137]
我々はバニラRFニューロンの内在的制限を緩和する平衡RFニューロン(BRF)を導入する。 BRFニューロンのネットワークは、全体的なタスク性能を向上し、スパイクのごく一部しか発生せず、現代のRSNNに比べてパラメータが大幅に少ないことを示す。
論文参考訳（メタデータ） (2024-02-02T12:57:21Z)
Prompt2NeRF-PIL: Fast NeRF Generation via Pretrained Implicit Latent [61.56387277538849]
本稿では,3次元シーンの直接条件付けと高速なNeRFパラメータ生成のための高速なNeRF生成について検討する。 Prompt2NeRF-PILは、単一の前方通過で様々な3Dオブジェクトを生成することができる。我々は,テキストからNeRFモデルDreamFusionと画像からNeRF手法Zero-1-to-3の3次元再構成速度を3倍から5倍に高速化することを示す。
論文参考訳（メタデータ） (2023-12-05T08:32:46Z)
Efficient View Synthesis with Neural Radiance Distribution Field [61.22920276806721]
我々は,リアルタイムに効率的なビュー合成を目標とするニューラルレージアンス分布場(NeRDF)という新しい表現を提案する。我々は、NeLFのように1ピクセル当たりの1つのネットワーク転送でレンダリング速度を保ちながら、NeRFに似た小さなネットワークを使用する。実験の結果,提案手法は既存の手法よりも速度,品質,ネットワークサイズとのトレードオフが良好であることがわかった。
論文参考訳（メタデータ） (2023-08-22T02:23:28Z)
MF-NeRF: Memory Efficient NeRF with Mixed-Feature Hash Table [62.164549651134465]
MF-NeRFは,Mixed-Featureハッシュテーブルを用いてメモリ効率を向上し,再構成品質を維持しながらトレーニング時間を短縮するメモリ効率の高いNeRFフレームワークである。最新技術であるInstant-NGP、TensoRF、DVGOによる実験は、MF-NeRFが同じGPUハードウェア上で、同様のあるいはそれ以上のリコンストラクション品質で最速のトレーニング時間を達成できることを示唆している。
論文参考訳（メタデータ） (2023-04-25T05:44:50Z)
Aug-NeRF: Training Stronger Neural Radiance Fields with Triple-Level Physically-Grounded Augmentations [111.08941206369508]
我々は,NeRFトレーニングの正規化にロバストなデータ拡張のパワーを初めてもたらすAugmented NeRF(Aug-NeRF)を提案する。提案手法では,最悪の場合の摂動を3段階のNeRFパイプラインにシームレスにブレンドする。 Aug-NeRFは、新しいビュー合成と基礎となる幾何再構成の両方において、NeRF性能を効果的に向上させる。
論文参考訳（メタデータ） (2022-07-04T02:27:07Z)
RF Signal Transformation and Classification using Deep Neural Networks [11.200006239443416]
コンピュータビジョンや自然言語処理タスクのために設計されたディープニューラルネットワーク(DNN)は、RFデータセットに直接適用することはできない。本稿では,進化的変換手法を導入して,市販のDNNに適したデータ型に変換することを提案する。さらに,簡単な5層畳み込みニューラルネットワークアーキテクチャ (CONV-5) を提案する。
論文参考訳（メタデータ） (2022-04-06T05:01:59Z)
Residual Feature Distillation Network for Lightweight Image Super-Resolution [40.52635571871426]
残像蒸留ネットワーク(RFDN)と呼ばれる軽量かつ高精度なSISRモデルを提案する。 RFDNは複数の特徴蒸留接続を用いてより識別的な特徴表現を学習する。また、RFDNの主ビルディングブロックとして浅層残差ブロック(SRB)を提案し、ネットワークが残差学習の恩恵を受けることができるようにした。
論文参考訳（メタデータ） (2020-09-24T08:46:40Z)

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。