論文の概要: Radon Implicit Field Transform (RIFT): Learning Scenes from Radar Signals

• arxiv url: http://arxiv.org/abs/2410.19801v1
• Date: Wed, 16 Oct 2024 16:59:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-03 07:49:44.336706
• Title: Radon Implicit Field Transform (RIFT): Learning Scenes from Radar Signals
• Title（参考訳）: Radon Implicit Field Transform (RIFT): レーダ信号からの学習シーン
• Authors: Daqian Bao, Alex Saad-Falcon, Justin Romberg,
• Abstract要約: Inlicit Neural Representation (INR)は、最小限のデータを持つコンパクトで連続的な表現を提供し、目に見えない視点に補間する。 本稿では、レーダフォワードモデル(Generalized Radon Transform, GRT)と、レーダ信号から学習したINRに基づくシーン表現を組み合わせたRadeon Implicit Field Transform (RIFT)を提案する。 RIFTは3倍の再構築を実現し、見当たらない視点に一般化すると10%改善する。
• 参考スコア（独自算出の注目度）: 9.170594803531866
• License:
• Abstract: Data acquisition in array signal processing (ASP) is costly, as high angular and range resolutions require large antenna apertures and wide frequency bandwidths. Data requirements grow multiplicatively with viewpoints and frequencies, increasing collection burdens. Implicit Neural Representations (INRs)--neural network models of 3D scenes--offer compact, continuous representations with minimal data, interpolating to unseen viewpoints, potentially reducing sampling costs in ASP. We propose the Radon Implicit Field Transform (RIFT), combining a radar forward model (Generalized Radon Transform, GRT) with an INR-based scene representation learned from radar signals. This method extends to other ASP problems by replacing the GRT with appropriate algorithms. In experiments, we synthesize radar data using the GRT and train the INR model by minimizing radar signal reconstruction error. We render the scene using the trained INR and evaluate it against ground truth. We introduce new error metrics: phase-Root Mean Square Error (p-RMSE) and magnitude-Structural Similarity Index Measure (m-SSIM). Compared to traditional scene models, our RIFT model achieves up to 188% improvement in scene reconstruction with only 10% of the data. Using the same amount of data, RIFT achieves 3x better reconstruction and shows a 10% improvement when generalizing to unseen viewpoints.
• Abstract（参考訳）: アレイ信号処理(ASP)におけるデータ取得は、高い角と範囲の解像度が大きなアンテナ開口と広い周波数帯域を必要とするため、コストがかかる。 データ要求は視点と周波数に乗じて増加し、収集の負担が増加する。 Inlicit Neural Representations (INR) - 3Dシーンのニューラルネットワークモデル - 最小限のデータによるコンパクトで連続的な表現、見えない視点への補間、ASP.NETのサンプリングコストの削減など。 本稿では、レーダフォワードモデル(Generalized Radon Transform, GRT)と、レーダ信号から学習したINRに基づくシーン表現を組み合わせたRadeon Implicit Field Transform (RIFT)を提案する。 この方法は、GRTを適切なアルゴリズムで置き換えることで、他のASP問題にも拡張する。 実験では、GRTを用いてレーダデータを合成し、レーダ信号再構成誤差を最小限に抑えてINRモデルを訓練する。 我々は、トレーニングされたINRを用いてシーンを描画し、地上の真実に対して評価する。 位相ループ平均角誤差(p-RMSE)と等級構造類似度指数測定(m-SSIM)という新しい誤差指標を導入する。 従来のシーンモデルと比較して, RIFTモデルでは, 全体の10%に過ぎず, シーン再構築において最大188%の改善が達成されている。 同じ量のデータを使用して、RIFTは3倍の再構築を実現し、見当たらない視点に一般化した場合、10%の改善を示す。

関連論文リスト

• Radar Signal Recognition through Self-Supervised Learning and Domain Adaptation [48.265859815346985]
  RFサンプルとラベルを限定した環境下でのレーダ信号認識を強化するための自己教師付き学習(SSL)手法を提案する。 具体的には,各種RF領域のベースバンド内位相および2次(I/Q)信号に対する事前学習マスク付きオートエンコーダ(MAE)について検討する。 その結果,ドメイン適応型軽量自己教師型ResNetモデルでは,1ショットの分類精度が最大17.5%向上した。
  論文  参考訳（メタデータ） (2025-01-07T01:35:56Z)
• SparseRadNet: Sparse Perception Neural Network on Subsampled Radar Data [5.344444942640663]
  レーダー生データは、しばしば過剰なノイズを含むが、レーダー点雲は限られた情報しか保持しない。 本稿では,適応的なサブサンプリング手法と,空間パターンを利用したネットワークアーキテクチャを提案する。 RADIalデータセットの実験により,SparseRadNetはオブジェクト検出における最先端(SOTA)性能を超え,自由空間セグメンテーションにおけるSOTA精度に近づいた。
  論文  参考訳（メタデータ） (2024-06-15T11:26:10Z)
• RASPNet: A Benchmark Dataset for Radar Adaptive Signal Processing Applications [20.589332431911842]
  RASPNetデータセットは16TBを超えるサイズで、アメリカ合衆国全土の様々な地形や土地にまたがる現実的なシナリオを100種類構成している。 RASPNetは、レーダーと複雑な値の学習アルゴリズムのベンチマークに使用できる、空中レーダー設定からの1万のクラッタ実現で構成されている。 RASPNetが現実的な適応型レーダ処理シナリオにどのように使用できるかを示すために、転送学習の例を含む、その構成、組織、およびいくつかのアプリケーションの概要を述べる。
  論文  参考訳（メタデータ） (2024-06-14T00:07:52Z)
• Radar Fields: Frequency-Space Neural Scene Representations for FMCW Radar [62.51065633674272]
  本稿では,アクティブレーダイメージア用に設計されたニューラルシーン再構成手法であるRadar Fieldsを紹介する。 提案手法では,暗黙的ニューラルジオメトリとリフレクタンスモデルを用いて,暗黙的な物理インフォームドセンサモデルを構築し,生のレーダ測定を直接合成する。 本研究では,密集した車両やインフラを備えた都市景観を含む,多様な屋外シナリオにおける手法の有効性を検証する。
  論文  参考訳（メタデータ） (2024-05-07T20:44:48Z)
• Diffusion Models for Interferometric Satellite Aperture Radar [73.01013149014865]
  確率拡散モデル (Probabilistic Diffusion Models, PDMs) は、最近、非常に有望な生成モデルのクラスとして登場した。 ここでは、PDMを活用して、レーダーベースの衛星画像データセットを複数生成する。 PDMは複雑で現実的な構造を持つ画像を生成することに成功したが、サンプリング時間は依然として問題である。
  論文  参考訳（メタデータ） (2023-08-31T16:26:17Z)
• Generation of Realistic Synthetic Raw Radar Data for Automated Driving Applications using Generative Adversarial Networks [0.0]
  本研究では、GAN(Generative Adversarial Network)を用いた合成生レーダデータを生成するFMCWレーダシミュレーションの高速化手法を提案する。 コードとトレーニング済みのウェイトはオープンソースで、GitHubから入手可能だ。 以上の結果から, 車両のコヒーレントレーダ反射と背景騒音は, チャープ, RAマップ, 物体検出結果の比較に基づいて, 現実的であることがわかった。
  論文  参考訳（メタデータ） (2023-08-04T17:44:27Z)
• Echoes Beyond Points: Unleashing the Power of Raw Radar Data in Multi-modality Fusion [74.84019379368807]
  本稿では,既存のレーダ信号処理パイプラインをスキップするEchoFusionという新しい手法を提案する。 具体的には、まずBird's Eye View (BEV)クエリを生成し、次にレーダーから他のセンサーとフューズに対応するスペクトル特徴を取ります。
  論文  参考訳（メタデータ） (2023-07-31T09:53:50Z)
• 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)
• Is Attention All NeRF Needs? [103.51023982774599]
  Generalizable NeRF Transformer (GNT) は、ソースビューから高速にNeRF(Neural Radiance Fields)を効率的に再構築する、純粋で統一されたトランスフォーマーベースのアーキテクチャである。 GNTは、2つのトランスフォーマーベースのステージをカプセル化することにより、一般化可能なニューラルシーン表現とレンダリングを実現する。
  論文  参考訳（メタデータ） (2022-07-27T05:09:54Z)
• Radar Image Reconstruction from Raw ADC Data using Parametric Variational Autoencoder with Domain Adaptation [0.0]
  本研究では,パラメータ制約付き変分オートエンコーダを提案し,レンジ角画像上でクラスタ化および局所化されたターゲット検出を生成する。 実際のレーダデータを用いて可能なすべてのシナリオにおいて,提案するニューラルネットワークをトレーニングする問題を回避すべく,ドメイン適応戦略を提案する。
  論文  参考訳（メタデータ） (2022-05-30T16:17:36Z)
• Toward Data-Driven STAP Radar [23.333816677794115]
  我々は、時空間適応処理(STAP)レーダーに対するデータ駆動アプローチを特徴付ける。 所定領域に可変強度のターゲットをランダムに配置することにより、受信レーダ信号の豊富なサンプルデータセットを生成する。 この領域内の各データサンプルに対して、ビームフォーマの出力パワーのレンジ、方位、および上昇のヒートマップテンソルを生成する。 空中に浮かぶシナリオでは、動くレーダーは、ビデオに似た、これらのタイムインデクシングされたイメージスタックのシーケンスを生成する。
  論文  参考訳（メタデータ） (2022-01-26T02:28:13Z)

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。