論文の概要: Angle-Equivariant Convolutional Neural Networks for Interference Mitigation in Automotive Radar

• arxiv url: http://arxiv.org/abs/2401.05385v1
• Date: Mon, 18 Dec 2023 12:37:12 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-15 08:44:39.374078
• Title: Angle-Equivariant Convolutional Neural Networks for Interference Mitigation in Automotive Radar
• Title（参考訳）: 自動車レーダにおける干渉緩和のための角度等価畳み込みニューラルネットワーク
• Authors: Christian Oswald, Mate Toth, Paul Meissner, Franz Pernkopf
• Abstract要約: 到達角度の異なる学習パターンを転送可能なランク3畳み込みを用いた完全畳み込みニューラルネットワーク(CNN)を導入する。 提案したアーキテクチャは,ロバスト性が高く,トレーニング可能なパラメータの数も少ないため,従来よりも優れていた。
• 参考スコア（独自算出の注目度）: 9.865041274657823
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In automotive applications, frequency modulated continuous wave (FMCW) radar is an established technology to determine the distance, velocity and angle of objects in the vicinity of the vehicle. The quality of predictions might be seriously impaired if mutual interference between radar sensors occurs. Previous work processes data from the entire receiver array in parallel to increase interference mitigation quality using neural networks (NNs). However, these architectures do not generalize well across different angles of arrival (AoAs) of interferences and objects. In this paper we introduce fully convolutional neural network (CNN) with rank-three convolutions which is able to transfer learned patterns between different AoAs. Our proposed architecture outperforms previous work while having higher robustness and a lower number of trainable parameters. We evaluate our network on a diverse data set and demonstrate its angle equivariance.
• Abstract（参考訳）: 自動車応用において、周波数変調連続波レーダ(fmcw radar)は、車両近傍の物体の距離、速度、角度を決定するための確立された技術である。 レーダーセンサ間の相互干渉が発生すると、予測の質が著しく損なわれる可能性がある。 以前の作業は、ニューラルネットワーク(nns)を使用して干渉緩和品質を高めるために、受信機アレイ全体からデータを並列に処理する。 しかし、これらのアーキテクチャは、干渉や物体の異なる角度 (aoa) にわたってうまく一般化しない。 本稿では,異なるaoa間で学習パターンを転送可能な階層3畳み込みを持つ完全畳み込みニューラルネットワーク(cnn)を提案する。 提案するアーキテクチャは,従来よりも頑健性が高く,学習可能なパラメータの少ない作業に匹敵する。 ネットワークを多種多様なデータセットで評価し,その角度同値性を示す。

関連論文リスト

• End-to-End Training of Neural Networks for Automotive Radar Interference Mitigation [9.865041274657823]
  本稿では,周波数変調連続波(WFMC)レーダ相互干渉緩和のためのニューラルネットワーク(NN)のトレーニング手法を提案する。 NNが干渉されたレーダー信号をきれいにするために訓練する代わりに、NNをオブジェクト検出マップ上で直接訓練する。 我々は,レーダを用いた物体検出のアルゴリズムであるCA-CFARピーク検出器の連続的な緩和を行う。
  論文  参考訳（メタデータ） (2023-12-15T13:47:16Z)
• Semantic Segmentation of Radar Detections using Convolutions on Point Clouds [59.45414406974091]
  本稿では,レーダ検出を点雲に展開する深層学習手法を提案する。 このアルゴリズムは、距離依存クラスタリングと入力点雲の事前処理により、レーダ固有の特性に適応する。 我々のネットワークは、レーダポイント雲のセマンティックセグメンテーションのタスクにおいて、PointNet++に基づく最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2023-05-22T07:09:35Z)
• Collaborative Learning with a Drone Orchestrator [79.75113006257872]
  インテリジェントな無線デバイス群は、ドローンの助けを借りて共有ニューラルネットワークモデルを訓練する。 提案したフレームワークは,トレーニングの大幅な高速化を実現し,ドローンホバリング時間の平均24%と87%の削減を実現している。
  論文  参考訳（メタデータ） (2023-03-03T23:46:25Z)
• Detecting train driveshaft damages using accelerometer signals and Differential Convolutional Neural Networks [67.60224656603823]
  本稿では,高度2次元畳み込みニューラルネットワーク(CNN)アーキテクチャに基づく鉄道軸状態監視システムの開発を提案する。 その結果,鉄道軸受振動信号を時間周波数領域表現,すなわち分光図に変換し,そのひび割れに応じて2次元CNNを訓練する。
  論文  参考訳（メタデータ） (2022-11-15T15:04:06Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• Complex-valued Convolutional Neural Networks for Enhanced Radar Signal Denoising and Interference Mitigation [73.0103413636673]
  本稿では,レーダセンサ間の相互干渉問題に対処するために,複合価値畳み込みニューラルネットワーク(CVCNN)を提案する。 CVCNNはデータ効率を高め、ネットワークトレーニングを高速化し、干渉除去時の位相情報の保存を大幅に改善する。
  論文  参考訳（メタデータ） (2021-04-29T10:06:29Z)
• Quantized Neural Networks for Radar Interference Mitigation [14.540226579203207]
  CNNに基づくノイズ除去と干渉緩和のアプローチはレーダ処理に有望な結果をもたらす。 本稿では,CNNに基づくレーダ信号のノイズ除去と干渉緩和のための量子化手法について検討する。
  論文  参考訳（メタデータ） (2020-11-25T13:18:06Z)
• Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
  我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。 我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。 私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
  論文  参考訳（メタデータ） (2020-11-17T12:52:18Z)
• RAMP-CNN: A Novel Neural Network for Enhanced Automotive Radar Object Recognition [10.006245521984697]
  本稿では,オブジェクトの位置とクラスを抽出するマルチパースペクティブ・畳み込みニューラルネットワーク(RAMP-CNN)を提案する。 4次元畳み込みニューラルネットワーク(NN)の複雑さを回避するため、RAMP-CNNモデルにいくつかの低次元NNモデルを組み合わせることを提案する。 提案したRAMP-CNNモデルは、すべてのテストシナリオにおける以前の作業よりも平均リコールと平均精度が向上する。
  論文  参考訳（メタデータ） (2020-11-13T19:12:12Z)
• Estimating the Magnitude and Phase of Automotive Radar Signals under Multiple Interference Sources with Fully Convolutional Networks [22.081568892330996]
  レーダーセンサーは徐々に道路車両の広範に普及し、自動運転と道路安全において重要な役割を担っている。 レーダーセンサーの広範な採用により、異なる車両からのセンサー間の干渉の機会が増加し、破損したレンジプロファイルとレンジ・ドップラーマップが生成される。 本稿では,自動車用レーダ干渉緩和のための完全畳み込みニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2020-08-11T18:50:38Z)

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。