論文の概要: RadioTransformer: Accurate Radio Map Construction and Coverage Prediction

• arxiv url: http://arxiv.org/abs/2501.05190v1
• Date: Thu, 09 Jan 2025 12:30:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-10 13:58:11.798141
• Title: RadioTransformer: Accurate Radio Map Construction and Coverage Prediction
• Title（参考訳）: Radio Transformer:正確な無線マップの構築とカバレッジ予測
• Authors: Yuxuan Li, Cheng Zhang, Wen Wang, Yongming Huang,
• Abstract要約: 本稿では、無線マップ予測の精度を高めるために、RadioTransformerと呼ばれるハイブリッドトランスフォーマー-畳み込みモデルを提案する。 提案モデルは,効率的な特徴抽出のためのマルチスケールトランスフォーマーベースのエンコーダと,正確な画素レベルの画像再構成のための畳み込みベースのデコーダを備える。
• 参考スコア（独自算出の注目度）: 34.903128282947115
• License:
• Abstract: Radio map, or pathloss map prediction, is a crucial method for wireless network modeling and management. By leveraging deep learning to construct pathloss patterns from geographical maps, an accurate digital replica of the transmission environment could be established with less computational overhead and lower prediction error compared to traditional model-driven techniques. While existing state-of-the-art (SOTA) methods predominantly rely on convolutional architectures, this paper introduces a hybrid transformer-convolution model, termed RadioTransformer, to enhance the accuracy of radio map prediction. The proposed model features a multi-scale transformer-based encoder for efficient feature extraction and a convolution-based decoder for precise pixel-level image reconstruction. Simulation results demonstrate that the proposed scheme significantly improves prediction accuracy, and over a 30% reduction in root mean square error (RMSE) is achieved compared to typical SOTA approaches.
• Abstract（参考訳）: 無線マップ(Radio map)は、無線ネットワークのモデリングと管理において重要な手法である。 深層学習を活用して地理地図からパスロスパターンを構築することにより、従来のモデル駆動手法に比べて計算オーバーヘッドが小さく、予測誤差も低く、伝送環境の正確なデジタルレプリカを構築することができる。 既存のSOTA(State-of-the-art)手法は、主に畳み込みアーキテクチャに依存しているが、この論文では、無線マップ予測の精度を高めるために、RadioTransformerと呼ばれるハイブリッドトランスフォーマー・畳み込みモデルを導入する。 提案モデルは,効率的な特徴抽出のためのマルチスケールトランスフォーマーベースのエンコーダと,正確な画素レベルの画像再構成のための畳み込みベースのデコーダを備える。 シミュレーションの結果,提案手法は予測精度を著しく向上し,従来のSOTA手法に比べて30%以上削減されたルート平均二乗誤差(RMSE)が達成された。

関連論文リスト

• Two-Stage Radio Map Construction with Real Environments and Sparse Measurements [11.432502140838867]
  GAN(Generative Adversarial Network)を利用したFPTC(First-predict-then-correct)法の提案 環境情報を入力として、まず、RMP-GAN(Radio Map Prediction GAN)により、プライマリ無線マップを予測する。 そして、スパース測定をガイドラインとした無線地図補正GAN(RMC-GAN)により予測結果を補正する。 FPTC-GANs法の有効性を実験により検証した。
  論文  参考訳（メタデータ） (2024-10-08T09:15:27Z)
• 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)
• WiNet: Wavelet-based Incremental Learning for Efficient Medical Image Registration [68.25711405944239]
  深部画像登録は異常な精度と高速な推測を示した。 近年の進歩は、粗大から粗大の方法で密度変形場を推定するために、複数のカスケードまたはピラミッドアーキテクチャを採用している。 本稿では,様々なスケールにわたる変位/速度場に対して,スケールワイブレット係数を漸進的に推定するモデル駆動WiNetを提案する。
  論文  参考訳（メタデータ） (2024-07-18T11:51:01Z)
• Fast and Accurate Cooperative Radio Map Estimation Enabled by GAN [63.90647197249949]
  6G時代には、無線リソースのリアルタイムモニタリングと管理が、多様な無線アプリケーションをサポートするように求められている。 本稿では,GAN(Generative Adversarial Network)による協調的無線地図推定手法を提案する。
  論文  参考訳（メタデータ） (2024-02-05T05:01:28Z)
• Radio Map Estimation -- An Open Dataset with Directive Transmitter Antennas and Initial Experiments [49.61405888107356]
  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。
  論文  参考訳（メタデータ） (2024-01-12T14:56:45Z)
• 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)
• 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)
• Cellular Network Radio Propagation Modeling with Deep Convolutional Neural Networks [7.890819981813062]
  本稿では,深部畳み込みニューラルネットワークを用いた電波伝搬のモデル化手法を提案する。 また、電波伝搬のデータ駆動モデリングの枠組みを概説した。
  論文  参考訳（メタデータ） (2021-10-05T07:20:48Z)
• Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
  スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。 本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
  論文  参考訳（メタデータ） (2020-10-05T14:18:52Z)

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。