Fugu-MT 論文翻訳(概要): Path Loss Prediction Using Deep Learning

論文の概要: Path Loss Prediction Using Deep Learning

arxiv url: http://arxiv.org/abs/2411.17752v1
Date: Mon, 25 Nov 2024 16:20:49 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-28 15:25:20.004870
Title: Path Loss Prediction Using Deep Learning
Title（参考訳）: ディープラーニングを用いた経路損失予測
Authors: Ryan Dempsey, Jonathan Ethier, Halim Yanikomeroglu,
Abstract要約: 通信リンクに沿った障害はしばしば暗黙的に、あるいは代表的クラッタの高さや全障害深さなどの派生メトリクスを通して考慮される。畳み込みニューラルネットワークを用いて高分解能障害物高さマップから特徴抽出を自動的に行う経路固有経路損失予測法を提案する。
参考スコア（独自算出の注目度）: 20.62701088477552
License:
Abstract: Radio deployments and spectrum planning can benefit from path loss predictions. Obstructions along a communications link are often considered implicitly or through derived metrics such as representative clutter height or total obstruction depth. In this paper, we propose a path-specific path loss prediction method that uses convolutional neural networks to automatically perform feature extraction from high-resolution obstruction height maps. Our methods result in low prediction error in a variety of environments without requiring derived obstruction metrics.
Abstract（参考訳）: 無線デプロイメントとスペクトルプランニングは、パス損失予測の恩恵を受けることができる。通信リンクに沿った障害はしばしば暗黙的に、あるいは代表的クラッタの高さや全障害深さなどの派生メトリクスを通して考慮される。本稿では,畳み込みニューラルネットワークを用いて高分解能障害物高度マップから特徴抽出を自動的に行う経路固有経路損失予測手法を提案する。本手法は, 種々の環境下での予測誤差を低減し, 障害指標の導出を必要とせず, 予測誤差を低減させる。

関連論文リスト

Clutter Classification Using Deep Learning in Multiple Stages [0.0]
本稿では,衛星画像への深層学習の適用について検討し,環境クラッタのタイプを自動的に識別する。障害の種類を知ることで、経路損失などの重要な伝搬指標の予測精度が向上する。
論文参考訳（メタデータ） (2024-08-08T12:16:14Z)
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)
Can Forward Gradient Match Backpropagation? [2.875726839945885]
フォワードグラディエントはニューラルネットワークトレーニングに有効であることが示されている。我々は、小さな局所的な補助ネットワークから得られるフィードバックなど、より有望な方向の勾配推定を強く偏り付けることを提案する。局所損失から得られた勾配を候補方向として用いた場合,前方勾配法におけるランダムノイズを大幅に改善することがわかった。
論文参考訳（メタデータ） (2023-06-12T08:53:41Z)
Context-Preserving Instance-Level Augmentation and Deformable Convolution Networks for SAR Ship Detection [50.53262868498824]
ランダムな方向と部分的な情報損失によるSAR画像のターゲット形状の変形は、SAR船の検出において必須の課題である。ターゲット内の部分的な情報損失に頑健なディープネットワークをトレーニングするためのデータ拡張手法を提案する。
論文参考訳（メタデータ） (2022-02-14T07:01:01Z)
Robust Depth Completion with Uncertainty-Driven Loss Functions [60.9237639890582]
本研究では,不確実性による損失関数を導入し,深度補修の堅牢性を改善し,深度補修の不確実性に対処する。提案手法は,KITTI深度評価ベンチマークでテストされ,MAE, IMAE, IRMSEの計測値を用いて最先端のロバスト性性能を達成した。
論文参考訳（メタデータ） (2021-12-15T05:22:34Z)
A Graph Convolutional Network with Signal Phasing Information for Arterial Traffic Prediction [63.470149585093665]
動脈交通予測は現代のインテリジェント交通システムの発展に重要な役割を担っています動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
論文参考訳（メタデータ） (2020-12-25T01:40:29Z)
Trajectory Prediction in Autonomous Driving with a Lane Heading Auxiliary Loss [1.1470070927586014]
本稿では,全ての予測モードにおいて予測駆動ルールを強制することにより,軌道予測モデルを強化する損失関数を提案する。軌道予測への我々の貢献は2倍であり、オフロードレート計量の故障事例に対処する新しい指標を提案する。次に、この補助損失を用いて、MTP(Multiple trajectory Prediction)モデルとMultiPathモデルを拡張する。
論文参考訳（メタデータ） (2020-11-12T22:51:25Z)
Auto Seg-Loss: Searching Metric Surrogates for Semantic Segmentation [56.343646789922545]
そこで本研究では,各計量に対する相異なるサロゲート損失を探索することにより,計量固有損失関数の設計を自動化することを提案する。 PASCAL VOCとCityscapesの実験では、探索されたサロゲート損失は手動で設計した損失関数よりも優れていた。
論文参考訳（メタデータ） (2020-10-15T17:59:08Z)
Deep Modeling of Growth Trajectories for Longitudinal Prediction of Missing Infant Cortical Surfaces [58.780482825156035]
空間グラフ畳み込みニューラルネットワーク(GCNN)を用いた皮質表面の経時的予測法を提案する。提案手法は,皮質成長軌跡をモデル化し,複数点の内曲面と外曲面を共同で予測する。本手法が時間的皮質成長パターンの非線形性を捉えることができることを示す。
論文参考訳（メタデータ） (2020-09-06T18:46:04Z)
Generalization on the Enhancement of Layerwise Relevance Interpretability of Deep Neural Network [3.42658286826597]
熱マップは人工知能(AI)による意思決定の説明を提供する熱マップの品質向上のために, 層幅振幅フィルタリング法が導入された。本稿では,特定のニューラルネットワークの信号振幅の傾向に起因した,解釈可能性信号の修正のためのフィルタリング手法を提案する。
論文参考訳（メタデータ） (2020-09-05T11:26:53Z)
Beyond Dropout: Feature Map Distortion to Regularize Deep Neural Networks [107.77595511218429]
本稿では,ディープニューラルネットワークの中間層に関連する実験的なRademacher複雑性について検討する。上記の問題に対処するための特徴歪み法(Disout)を提案する。より高い試験性能を有するディープニューラルネットワークを作製するための特徴写像歪みの優位性を解析し、実証した。
論文参考訳（メタデータ） (2020-02-23T13:59:13Z)

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。