論文の概要: Radio Map Estimation -- An Open Dataset with Directive Transmitter Antennas and Initial Experiments

• arxiv url: http://arxiv.org/abs/2402.00878v1
• Date: Fri, 12 Jan 2024 14:56:45 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-11 17:28:27.418897
• Title: Radio Map Estimation -- An Open Dataset with Directive Transmitter Antennas and Initial Experiments
• Title（参考訳）: 無線地図推定-指向型送信アンテナを用いたオープンデータセットと初期実験
• Authors: Fabian Jaensch, Giuseppe Caire, Beg\"um Demir
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 49.61405888107356
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Over the last years, several works have explored the application of deep learning algorithms to determine the large-scale signal fading (also referred to as ``path loss'') between transmitter and receiver pairs in urban communication networks. The central idea is to replace costly measurement campaigns, inaccurate statistical models or computationally expensive ray-tracing simulations by machine learning models which, once trained, produce accurate predictions almost instantly. Although the topic has attracted attention from many researchers, there are few open benchmark datasets and codebases that would allow everyone to test and compare the developed methods and algorithms. We take a step towards filling this gap by releasing a publicly available dataset of simulated path loss radio maps together with realistic city maps from real-world locations and aerial images from open datasources. Initial experiments regarding model architectures, input feature design and estimation of radio maps from aerial images are presented and the code is made available.
• Abstract（参考訳）: 近年、都市部通信網における送信機と受信機間の大規模信号フェージング(「パス損失」とも呼ばれる)を決定するためのディープラーニングアルゴリズムの適用について研究が進められている。 中心となる考え方は、高価な測定キャンペーン、不正確な統計モデル、あるいは計算に高価なレイトレーシングシミュレーションを機械学習モデルによって置き換えることである。 この話題は多くの研究者から注目を集めているが、誰もが開発した手法やアルゴリズムをテストし比較できるオープンベンチマークデータセットやコードベースは少ない。 このギャップを埋めるために、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公開し、現実の場所からの現実的な都市地図や、オープンなデータソースからの航空画像を公開しています。 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い、コードを利用できるようにした。

関連論文リスト

• Radio Map Prediction from Aerial Images and Application to Coverage Optimization [46.870065000932016]
  畳み込みニューラルネットワークを用いた経路損失無線マップの予測に着目する。 既存の無線地図データセットに対して開発された最先端モデルがこの課題に効果的に適応できることを示す。 複雑さを低減した現在の最先端技術の性能をわずかに上回る新しいモデルを導入する。
  論文  参考訳（メタデータ） (2024-10-07T09:19:20Z)
• Transformer-Based Neural Surrogate for Link-Level Path Loss Prediction from Variable-Sized Maps [11.327456466796681]
  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。
  論文  参考訳（メタデータ） (2023-10-06T20:17:40Z)
• Dataset of Pathloss and ToA Radio Maps With Localization Application [59.11388233415274]
  データセットには、実都市地図における現実的な密集した都市環境の大規模なコレクションに、シミュレートされたパスロス/受信信号強度(RSS)と到着時刻(ToA)ラジオマップが含まれる。 提案データセットの2つの主な応用は,1)入力都市地図からパスロスを予測する学習方法,2)無線の局所化である。 RSSとToAマップが同じ都市マップ上で同じシミュレーションによって計算されているという事実は、RSSとToAベースのローカライゼーション手法を公平に比較することができる。
  論文  参考訳（メタデータ） (2022-11-18T20:39:51Z)
• iSDF: Real-Time Neural Signed Distance Fields for Robot Perception [64.80458128766254]
  iSDFは実時間符号付き距離場再構成のための連続学習システムである。 より正確な再構築と、衝突コストと勾配のより良い近似を生成する。
  論文  参考訳（メタデータ） (2022-04-05T15:48:39Z)
• Spectrum Surveying: Active Radio Map Estimation with Autonomous UAVs [15.452264020787593]
  本稿では,無人航空機(UAV)のような移動体ロボットが,短時間で高品質な地図推定値を得るために,積極的に選択された一連の位置で測定値を収集したスペクトルサーベイを提案する。 モデルに基づくオンラインベイズ推定器とデータ駆動型深層学習アルゴリズムの2つの新しいアルゴリズムを考案し,各地点における計測の有意性を示すマップ推定と不確実性指標を更新する。 この問題の複雑さを克服するために,線形時間における大きな不確実性のある領域を通して経路点のリストを得る動的プログラミング手法を提案する。
  論文  参考訳（メタデータ） (2022-01-11T18:49:42Z)
• Self-supervised Audiovisual Representation Learning for Remote Sensing Data [96.23611272637943]
  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)
• Real-time Outdoor Localization Using Radio Maps: A Deep Learning Approach [59.17191114000146]
  LocUNet: ローカライゼーションタスクのための畳み込み、エンドツーエンドのトレーニングニューラルネットワーク(NN)。 我々は,LocUNetがユーザを最先端の精度でローカライズし,無線マップ推定における不正確性が高いことを示す。
  論文  参考訳（メタデータ） (2021-06-23T17:27:04Z)
• 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。