Fugu-MT 論文翻訳(概要): Hybrid Quantum Neural Network Advantage for Radar-Based Drone Detection and Classification in Low Signal-to-Noise Ratio

論文の概要: Hybrid Quantum Neural Network Advantage for Radar-Based Drone Detection and Classification in Low Signal-to-Noise Ratio

arxiv url: http://arxiv.org/abs/2403.02080v1
Date: Mon, 4 Mar 2024 14:26:52 GMT
ステータス: 処理完了
システム内更新日: 2024-03-06 18:25:57.094424
Title: Hybrid Quantum Neural Network Advantage for Radar-Based Drone Detection and Classification in Low Signal-to-Noise Ratio
Title（参考訳）: レーダに基づくドローン検出と低信号対雑音比の分類におけるハイブリッド量子ニューラルネットワークのアドバンテージ
Authors: Aiswariya Sweety Malarvanan
Abstract要約: 本稿では,レーダを用いた検出と分類のためのハイブリッド量子ニューラルネットワーク(HQNN)と,それに匹敵する古典的畳み込みニューラルネットワーク(CNN)の性能について検討する。信号対雑音比(SNR)が高い場合、CNNは検出と分類のためにHQNNより優れることがわかった。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper, we investigate the performance of a Hybrid Quantum Neural Network (HQNN) and a comparable classical Convolution Neural Network (CNN) for detection and classification problem using a radar. Specifically, we take a fairly complex radar time-series model derived from electromagnetic theory, namely the Martin-Mulgrew model, that is used to simulate radar returns of objects with rotating blades, such as drones. We find that when that signal-to-noise ratio (SNR) is high, CNN outperforms the HQNN for detection and classification. However, in the low SNR regime (which is of greatest interest in practice) the performance of HQNN is found to be superior to that of the CNN of a similar architecture.
Abstract（参考訳）: 本稿では,レーダを用いた検出・分類問題に対するHybrid Quantum Neural Network(HQNN)とCNN(CNN)の性能について検討する。具体的には、電磁理論、すなわちMartin-Mulgrewモデルから導かれるかなり複雑なレーダー時系列モデルを用いて、ドローンのような回転翼で物体のレーダー帰還をシミュレートする。信号対雑音比(SNR)が高い場合、CNNは検出と分類のためにHQNNを上回っている。しかし、SNRの低さ(実際は最も関心がある)では、HQNNの性能は同様のアーキテクチャのCNNよりも優れていることが判明した。

関連論文リスト

Accurate Mapping of RNNs on Neuromorphic Hardware with Adaptive Spiking Neurons [2.9410174624086025]
我々は、SigmaDelta$-low-pass RNN(lpRNN)を、レートベースのRNNをスパイクニューラルネットワーク(SNN)にマッピングするために提示する。適応スパイキングニューロンモデルは、$SigmaDelta$-modulationを使って信号を符号化し、正確なマッピングを可能にする。我々は、Intelのニューロモルフィック研究チップLoihiにおけるlpRNNの実装を実演する。
論文参考訳（メタデータ） (2024-07-18T14:06:07Z)
How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文参考訳（メタデータ） (2023-06-04T08:53:27Z)
Traffic Sign Classification Using Deep and Quantum Neural Networks [0.0]
量子ニューラルネットワーク(QNN)は、コンピュータビジョンを含む多くのアプリケーションで使用できる新興技術である。本稿では,ハイブリッド量子古典畳み込みニューラルネットワークを用いた交通信号分類システムを提案する。
論文参考訳（メタデータ） (2022-09-30T06:16:03Z)
Training High-Performance Low-Latency Spiking Neural Networks by Differentiation on Spike Representation [70.75043144299168]
スパイキングニューラルネットワーク(SNN)は、ニューロモルフィックハードウェア上に実装された場合、有望なエネルギー効率のAIモデルである。非分化性のため、SNNを効率的に訓練することは困難である。本稿では,ハイパフォーマンスを実現するスパイク表現法(DSR)の差分法を提案する。
論文参考訳（メタデータ） (2022-05-01T12:44:49Z)
Exploiting Low-Rank Tensor-Train Deep Neural Networks Based on Riemannian Gradient Descent With Illustrations of Speech Processing [74.31472195046099]
我々は、低ランクテンソルトレイン深層ニューラルネットワーク(TT-DNN)を用いて、エンドツーエンドのディープラーニングパイプライン、すなわちLR-TT-DNNを構築する。 LR-TT-DNNと畳み込みニューラルネットワーク(CNN)を組み合わせたハイブリッドモデルを構築し、性能を向上する。我々の実証的な証拠は、モデルパラメータが少ないLR-TT-DNNとCNN+(LR-TT-DNN)モデルが、TT-DNNとCNN+(LR-TT-DNN)モデルよりも優れていることを示している。
論文参考訳（メタデータ） (2022-03-11T15:55:34Z)
Random Quantum Neural Networks (RQNN) for Noisy Image Recognition [0.9205287316703888]
本稿では,RQNN (Random Quantum Neural Networks) の新たなクラスについて紹介する。提案するRQNNは、重ね合わせ状態と振幅符号化機能を備えたハイブリッド古典量子アルゴリズムを用いる。 MNIST、FashionMNIST、KMNISTデータセットの実験により、提案されたRQNNモデルは平均分類精度が94.9%であることを示した。
論文参考訳（メタデータ） (2022-03-03T15:15:29Z)
Zero-bias Deep Neural Network for Quickest RF Signal Surveillance [14.804498377638696]
モノのインターネット(IoT)は、十分な数のRFデバイスがRFチャネルを介して情報を接続し、共有できるようにすることによって、現代社会を再構築している。本稿ではRF信号監視のためのディープラーニングフレームワークを提供する。我々は、Deep Neural Networks(DNN)とQuickest Detection(QD)を統合して、シーケンシャルな信号監視スキームを形成する。
論文参考訳（メタデータ） (2021-10-12T07:48:57Z)
On Circuit-based Hybrid Quantum Neural Networks for Remote Sensing Imagery Classification [88.31717434938338]
ハイブリッドQCNNは、標準ニューラルネットワーク内に量子層を導入することで、CNNの古典的なアーキテクチャを豊かにする。この研究で提案された新しいQCNNは、地球観測(EO)のユースケースとして選択された土地利用・土地被覆(LULC)分類に適用される。マルチクラス分類の結果は,QCNNの性能が従来の性能よりも高いことを示すことによって,提案手法の有効性を証明した。
論文参考訳（メタデータ） (2021-09-20T12:41:50Z)
ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
論文参考訳（メタデータ） (2021-05-07T11:39:05Z)
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)

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。