論文の概要: ACT-GAN: Radio map construction based on generative adversarial networks with ACT blocks

• arxiv url: http://arxiv.org/abs/2401.08976v1
• Date: Wed, 17 Jan 2024 05:03:53 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-18 17:02:03.489864
• Title: ACT-GAN: Radio map construction based on generative adversarial networks with ACT blocks
• Title（参考訳）: ACT-GAN: ACTブロックを持つ生成逆ネットワークに基づく無線地図構築
• Authors: Chen Qi, Yang Jingjing, Huang Ming, Zhou Qiang
• Abstract要約: 本稿では,GAN(Generative Adversarial Network)に基づく新しい無線地図構築手法を提案する。 ラジオ地図の再現精度と局部テクスチャを大幅に向上させる。 提案手法はロバストな電波地図の構築であり,放射源の位置を正確に予測する。
• 参考スコア（独自算出の注目度）: 0.5694070924765915
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The radio map, serving as a visual representation of electromagnetic spatial characteristics, plays a pivotal role in assessment of wireless communication networks and radio monitoring coverage. Addressing the issue of low accuracy existing in the current radio map construction, this paper presents a novel radio map construction method based on generative adversarial network (GAN) in which the Aggregated Contextual-Transformation (AOT) block, Convolutional Block Attention Module (CBAM), and Transposed Convolution (T-Conv) block are applied to the generator, and we name it as ACT-GAN. It significantly improves the reconstruction accuracy and local texture of the radio maps. The performance of ACT-GAN across three different scenarios is demonstrated. Experiment results reveal that in the scenario without sparse discrete observations, the proposed method reduces the root mean square error (RMSE) by 14.6% in comparison to the state-of-the-art models. In the scenario with sparse discrete observations, the RMSE is diminished by 13.2%. Furthermore, the predictive results of the proposed model show a more lucid representation of electromagnetic spatial field distribution. To verify the universality of this model in radio map construction tasks, the scenario of unknown radio emission source is investigated. The results indicate that the proposed model is robust radio map construction and accurate in predicting the location of the emission source.
• Abstract（参考訳）: 電波マップは、電磁空間特性の視覚的表現として機能し、無線通信ネットワークの評価と無線監視のカバレッジにおいて重要な役割を果たす。 本稿では、現在の無線地図構築における低精度の課題に対処するため、AOTブロック、CBAMブロック、T-Convブロックを発生器に適用し、ACT-GANと命名した、生成逆数ネットワーク(GAN)に基づく新しい無線地図構築手法を提案する。 ラジオ地図の再現精度と局所テクスチャを大幅に向上させる。 ACT-GANの3つの異なるシナリオにおける性能を示す。 実験結果から, 離散観測の少ないシナリオでは, 提案手法は最先端モデルと比較して, 根平均二乗誤差(RMSE)を14.6%削減することがわかった。 離散的な観測の少ないシナリオでは、RMSEは13.2%減少する。 さらに, 提案モデルの予測結果から, 電磁場分布のより明快な表現が得られた。 無線地図構築作業におけるこのモデルの普遍性を検証するため,未知の電波源のシナリオを調査した。 その結果,提案モデルがロバストな電波マップ構成であり,放射源の位置を予測できることがわかった。

関連論文リスト

• Radio Map Estimation via Latent Domain Plug-and-Play Denoising [24.114418244026957]
  無線マップ推定(RME)は、異なる領域(例えば、空間と周波数)にわたる電波干渉の強度を再構築することを目的としている。 提案手法は,無線地図の基盤となる物理構造を利用し,潜在領域におけるADMMノイズを提案する。 この設計は計算効率を大幅に改善し、ノイズの堅牢性を高める。
  論文  参考訳（メタデータ） (2025-01-23T08:42:24Z)
• Two-Stage Radio Map Construction with Real Environments and Sparse Measurements [11.432502140838867]
  GAN(Generative Adversarial Network)を利用したFPTC(First-predict-then-correct)法の提案 環境情報を入力として、まず、RMP-GAN(Radio Map Prediction GAN)により、プライマリ無線マップを予測する。 そして、スパース測定をガイドラインとした無線地図補正GAN(RMC-GAN)により予測結果を補正する。 FPTC-GANs法の有効性を実験により検証した。
  論文  参考訳（メタデータ） (2024-10-08T09:15:27Z)
• Fast and Accurate Cooperative Radio Map Estimation Enabled by GAN [63.90647197249949]
  6G時代には、無線リソースのリアルタイムモニタリングと管理が、多様な無線アプリケーションをサポートするように求められている。 本稿では,GAN(Generative Adversarial Network)による協調的無線地図推定手法を提案する。
  論文  参考訳（メタデータ） (2024-02-05T05:01:28Z)
• 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)
• RADIANCE: Radio-Frequency Adversarial Deep-learning Inference for Automated Network Coverage Estimation [8.92389724627982]
  RADIANCEは、室内シナリオでRFマップを合成するためのGAN(Generative Adversarial Network)ベースのアプローチである。 その結果、RADIANCEは平均平均誤差0.09、ルート平均二乗誤差(RMSE)0.29、ピーク信号-雑音比(PSNR)10.78、マルチスケール構造類似度指数(MS-SSIM)0.80を達成した。
  論文  参考訳（メタデータ） (2023-08-21T09:33:20Z)
• Robust Self-Supervised LiDAR Odometry via Representative Structure Discovery and 3D Inherent Error Modeling [67.75095378830694]
  そこで我々は,2段階のオドメトリ推定ネットワークを構築し,一連の部分領域変換を推定してエゴモーメントを求める。 本稿では,トレーニング,推論,マッピングフェーズにおける信頼できない構造の影響を軽減することを目的とする。 我々の2フレームのオードメトリーは、翻訳/回転誤差の点で、過去の芸術の状態を16%/12%上回っている。
  論文  参考訳（メタデータ） (2022-02-27T12:52:27Z)
• Radio-Assisted Human Detection [61.738482870059805]
  本稿では,無線情報を最先端検出手法に組み込んだ無線支援人体検知フレームワークを提案する。 我々は、人検出を支援するために、無線信号から無線の局部化と識別情報を抽出する。 シミュレーション可能なMicrosoft COCOデータセットとCaltechの歩行者データセットの実験では、平均平均精度(mAP)とミスレートが、無線情報を用いて改善できることが示されている。
  論文  参考訳（メタデータ） (2021-12-16T09:53:41Z)
• 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)
• Conditioning Trick for Training Stable GANs [70.15099665710336]
  本稿では,GANトレーニング中の不安定性問題に対応するため,ジェネレータネットワークに正規性から逸脱する条件付け手法を提案する。 我々は、生成元をシュア分解のスペクトル領域で計算された実サンプルの正規化関数から逸脱するように強制する。
  論文  参考訳（メタデータ） (2020-10-12T16:50:22Z)

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。