論文の概要: ViT LoS V2X: Vision Transformers for Environment-aware LoS Blockage Prediction for 6G Vehicular Networks

• arxiv url: http://arxiv.org/abs/2407.15023v1
• Date: Thu, 27 Jun 2024 01:38:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-28 18:39:09.743790
• Title: ViT LoS V2X: Vision Transformers for Environment-aware LoS Blockage Prediction for 6G Vehicular Networks
• Title（参考訳）: ViT LoS V2X:6G車両ネットワークの環境対応LOS遮断予測用視覚変換器
• Authors: Ghazi Gharsallah, Georges Kaddoum,
• Abstract要約: 我々は、畳み込みニューラルネットワーク(CNN)とカスタマイズされた視覚変換器(ViT)を組み合わせたディープラーニングベースのアプローチを提案する。 提案手法は,時系列マルチモーダルデータから特徴を抽出するために,CNNとViTの相乗的強みを利用する。 その結果,提案手法は精度が高く,最先端のソリューションよりも優れ,95%以上の精度で予測できることがわかった。
• 参考スコア（独自算出の注目度）: 20.953587995374168
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As wireless communication technology progresses towards the sixth generation (6G), high-frequency millimeter-wave (mmWave) communication has emerged as a promising candidate for enabling vehicular networks. It offers high data rates and low-latency communication. However, obstacles such as buildings, trees, and other vehicles can cause signal attenuation and blockage, leading to communication failures that can result in fatal accidents or traffic congestion. Predicting blockages is crucial for ensuring reliable and efficient communications. Furthermore, the advent of 6G technology is anticipated to integrate advanced sensing capabilities, utilizing a variety of sensor types. These sensors, ranging from traditional RF sensors to cameras and Lidar sensors, are expected to provide access to rich multimodal data, thereby enriching communication systems with a wealth of additional contextual information. Leveraging this multimodal data becomes essential for making precise network management decisions, including the crucial task of blockage detection. In this paper, we propose a Deep Learning (DL)-based approach that combines Convolutional Neural Networks (CNNs) and customized Vision Transformers (ViTs) to effectively extract essential information from multimodal data and predict blockages in vehicular networks. Our method capitalizes on the synergistic strengths of CNNs and ViTs to extract features from time-series multimodal data, which include images and beam vectors. To capture temporal dependencies between the extracted features and the blockage state at future time steps, we employ a Gated Recurrent Unit (GRU)-based architecture. Our results show that the proposed approach achieves high accuracy and outperforms state-of-the-art solutions, achieving more than $95\%$ accurate predictions.
• Abstract（参考訳）: 無線通信技術が第6世代(6G)に進むにつれて、車載ネットワークを実現するための候補として、高周波ミリ波通信(mmWave)が出現している。 高いデータレートと低レイテンシ通信を提供する。 しかし、建物、木、その他の車両などの障害物は信号の減衰と遮断を引き起こし、通信障害を引き起こし、致命的な事故や交通渋滞を引き起こす。 ブロックの予測は信頼性と効率の確保に不可欠である。 さらに、6G技術の出現は、様々なセンサータイプを活用して、高度なセンシング機能を統合することが期待されている。 これらのセンサーは、従来のRFセンサーからカメラ、Lidarセンサーまで、リッチなマルチモーダルデータへのアクセスを提供し、豊富なコンテキスト情報を持つ通信システムを強化することが期待されている。 このマルチモーダルデータを活用することは、ブロック検出の重要なタスクを含む、正確なネットワーク管理決定を行う上で不可欠である。 本稿では、畳み込みニューラルネットワーク(CNN)とカスタマイズされたビジョントランスフォーマー(ViT)を組み合わせて、マルチモーダルデータから重要な情報を効果的に抽出し、車載ネットワークにおけるブロックを予測するディープラーニング(DL)ベースのアプローチを提案する。 提案手法は,CNN と ViT の相乗的強度を利用して,画像やビームベクトルを含む時系列マルチモーダルデータから特徴を抽出する。 抽出した特徴とブロック状態の間の時間的依存関係を将来の時間ステップで捉えるために,GRU(Gated Recurrent Unit)ベースのアーキテクチャを用いる。 その結果,提案手法は精度が高く,最先端のソリューションよりも優れており,9,5 %以上の精度で予測できることがわかった。

関連論文リスト

• Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
  異常と欠落したデータは、産業応用における厄介な問題を構成する。 ディープラーニングによる異常検出が重要な方向として現れている。 エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
  論文  参考訳（メタデータ） (2024-11-06T15:38:31Z)
• Intelligent Communication Planning for Constrained Environmental IoT Sensing with Reinforcement Learning [19.715387333728152]
  モノのインターネット(IoT)デバイスは、しばしば電力制限を受け、帯域幅が限られている無線通信方式を利用する。 環境状態を追跡するIoTセンサの通信計画問題を定式化する。 本稿では,センサごとの最適な通信ポリシーを見つけるために,マルチエージェント強化学習(MARL)手法を提案する。
  論文  参考訳（メタデータ） (2023-08-19T22:59:09Z)
• Federated Deep Learning Meets Autonomous Vehicle Perception: Design and Verification [168.67190934250868]
  フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。 FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。 マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
  論文  参考訳（メタデータ） (2022-06-03T23:55:45Z)
• Efficient Federated Learning with Spike Neural Networks for Traffic Sign Recognition [70.306089187104]
  我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。 数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
  論文  参考訳（メタデータ） (2022-05-28T03:11:48Z)
• Neuro-Symbolic Artificial Intelligence (AI) for Intent based Semantic Communication [85.06664206117088]
  6Gネットワークはデータ転送のセマンティクスと有効性(エンドユーザ)を考慮する必要がある。 観測データの背後にある因果構造を学習するための柱としてNeSy AIが提案されている。 GFlowNetは、無線システムにおいて初めて活用され、データを生成する確率構造を学ぶ。
  論文  参考訳（メタデータ） (2022-05-22T07:11:57Z)
• An Online Ensemble Learning Model for Detecting Attacks in Wireless Sensor Networks [0.0]
  我々は、アンサンブル学習として知られる重要な機械学習の概念を適用して、インテリジェントで効率的で、かつ、高機能な侵入検知システムを開発する。 本稿では,感覚データ解析における同種・異種のオンラインアンサンブルの応用について検討する。 提案されたオンラインアンサンブルのうち、アダプティブ・ランダム・フォレスト(ARF)とHoeffding Adaptive Tree(HAT)アルゴリズムを組み合わせた異種アンサンブルと、10モデルからなる同種アンサンブルHATは、それぞれ96.84%と97.2%という高い検出率を達成した。
  論文  参考訳（メタデータ） (2022-04-28T23:10:47Z)
• Multi-task Learning Approach for Modulation and Wireless Signal Classification for 5G and Beyond: Edge Deployment via Model Compression [1.218340575383456]
  将来的な通信網は、異種無線デバイスの成長に対応するために、少ないスペクトルに対処する必要がある。 我々は、深層ニューラルネットワークに基づくマルチタスク学習フレームワークの可能性を利用して、変調と信号分類タスクを同時に学習する。 公共利用のための包括的ヘテロジニアス無線信号データセットを提供する。
  論文  参考訳（メタデータ） (2022-02-26T14:51:02Z)
• Transfer Learning for Fault Diagnosis of Transmission Lines [55.971052290285485]
  事前学習されたLeNet-5畳み込みニューラルネットワークに基づく新しい伝達学習フレームワークを提案する。 ソースニューラルネットワークから知識を転送して、異種ターゲットデータセットを予測することで、異なる伝送ラインの長さとインピーダンスの障害を診断することができる。
  論文  参考訳（メタデータ） (2022-01-20T06:36:35Z)
• Federated Learning over Wireless IoT Networks with Optimized Communication and Resources [98.18365881575805]
  協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。 無線システム上での高速応答および高精度FLスキームの検証が重要である。 提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
  論文  参考訳（メタデータ） (2021-10-22T13:25:57Z)
• Heterogeneous Noisy Short Signal Camouflage in Multi-Domain Environment Decision-Making [0.0]
  画像や音声信号に変換することで,情報(センサ信号)を隠蔽する手法を提案する。 軍事近代化に向けた最新の試みの1つとして、インテリジェントな識別・検出操作を実現する上での課題について検討する。
  論文  参考訳（メタデータ） (2021-06-02T22:59:58Z)
• Vision-Aided Dynamic Blockage Prediction for 6G Wireless Communication Networks [11.626009272815816]
  本稿では,テクトダイナミックリンクブロックを積極的に予測する新しい手法を提案する。 観測されたRGB画像とビームフォーミングベクターのシーケンスから、将来のリンクブロックを予測する方法を学ぶ。 リンクブロック予測精度は86%であり、視覚的データを使わずに一致しない。
  論文  参考訳（メタデータ） (2020-06-17T14:37:38Z)

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。