論文の概要: RMTransformer: Accurate Radio Map Construction and Coverage Prediction
- arxiv url: http://arxiv.org/abs/2501.05190v2
- Date: Sat, 11 Jan 2025 07:33:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-14 13:20:20.021457
- Title: RMTransformer: Accurate Radio Map Construction and Coverage Prediction
- Title(参考訳): RMトランス:正確な無線マップの構築とカバー予測
- Authors: Yuxuan Li, Cheng Zhang, Wen Wang, Yongming Huang,
- Abstract要約: 本稿では、無線地図予測の精度を高めるために、RMTransformer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: http://creativecommons.org/licenses/by/4.0/
- 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 RMTransformer, 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。
従来のSOTA手法は畳み込みアーキテクチャに大きく依存するが,本研究では,無線地図予測の精度を高めるために,RMTransformer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。
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
- Resource-Efficient Beam Prediction in mmWave Communications with Multimodal Realistic Simulation Framework [57.994965436344195]
ビームフォーミングは、方向と強度を最適化して信号伝送を改善するミリ波通信において重要な技術である。
マルチモーダルセンシング支援ビーム予測は,ユーザ位置やネットワーク条件を予測するために,さまざまなセンサデータを使用して注目されている。
その有望な可能性にもかかわらず、マルチモーダルセンシング支援ビーム予測の採用は、高い計算複雑性、高いコスト、限られたデータセットによって妨げられている。
論文 参考訳(メタデータ) (2025-04-07T15:38:25Z) - A Neural Network Architecture Based on Attention Gate Mechanism for 3D Magnetotelluric Forward Modeling [1.5862483908050367]
本稿では,3次元MTフォワードモデリングのためのアテンションゲーティング機構を統合したMTAGU-Netという新しいニューラルネットワークアーキテクチャを提案する。
デュアルパスアテンションゲーティングモジュールは、前方応答データ画像に基づいて設計され、エンコーダとデコーダの間のスキップ接続に埋め込まれる。
3次元ガウスランダム場(GRF)を利用した合成モデル生成法は,実世界の地質学的シナリオの電気的構造を正確に再現する。
論文 参考訳(メタデータ) (2025-03-14T13:48:25Z) - 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) - 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) - Machine learning for phase-resolved reconstruction of nonlinear ocean
wave surface elevations from sparse remote sensing data [37.69303106863453]
ニューラルネットワークを用いた位相分解波面再構成のための新しい手法を提案する。
提案手法は,一次元格子を用いた合成的かつ高精度な訓練データを利用する。
論文 参考訳(メタデータ) (2023-05-18T12:30:26Z) - Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for
sparse recover [87.28082715343896]
我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。
我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。
提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
論文 参考訳(メタデータ) (2021-10-20T06:15:45Z) - 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) - Transformer-based Map Matching Model with Limited Ground-Truth Data
using Transfer-Learning Approach [6.510061176722248]
多くのトラジェクトリベースのアプリケーションでは、生のGPSトラジェクトリをデジタルマップの道路網にマッピングする必要がある。
本稿では,データの観点から地図マッチングの課題を考察し,深層学習に基づく地図マッチングモデルを提案する。
合成軌道データを生成し,トランスフォーマーモデルを事前学習し,有限個の接地トラスデータでモデルを微調整する。
論文 参考訳(メタデータ) (2021-08-01T11:51:11Z) - 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。