Fugu-MT 論文翻訳(概要): IPP-Net: A Generalizable Deep Neural Network Model for Indoor Pathloss Radio Map Prediction

論文の概要: IPP-Net: A Generalizable Deep Neural Network Model for Indoor Pathloss Radio Map Prediction

arxiv url: http://arxiv.org/abs/2501.06414v1
Date: Sat, 11 Jan 2025 02:53:14 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-14 14:21:14.120418
Title: IPP-Net: A Generalizable Deep Neural Network Model for Indoor Pathloss Radio Map Prediction
Title（参考訳）: IPP-Net:屋内パスロスラジオマップ予測のための一般化可能なディープニューラルネットワークモデル
Authors: Bin Feng, Meng Zheng, Wei Liang, Lei Zhang,
Abstract要約: IPP-Netは、屋内パスロス無線地図予測のための一般化可能なディープニューラルネットワークモデルである。 IPP-NetはICASSP 2025の第1回屋内パスロス電波地図予測チャレンジで評価される。
参考スコア（独自算出の注目度）: 14.114311899326836
License:
Abstract: In this paper, we propose a generalizable deep neural network model for indoor pathloss radio map prediction (termed as IPP-Net). IPP-Net is based on a UNet architecture and learned from both large-scale ray tracing simulation data and a modified 3GPP indoor hotspot model. The performance of IPP-Net is evaluated in the First Indoor Pathloss Radio Map Prediction Challenge in ICASSP 2025. The evaluation results show that IPP-Net achieves a weighted root mean square error of 9.501 dB on three competition tasks and obtains the second overall ranking.
Abstract（参考訳）: 本稿では,屋内パスロス無線地図予測(IPP-Net)のための一般化可能なディープニューラルネットワークモデルを提案する。 IPP-NetはUNetアーキテクチャに基づいており、大規模レイトレーシングシミュレーションデータと修正された3GPP屋内ホットスポットモデルの両方から学習されている。 Indoor Pathloss Radio Map Prediction Challenge in ICASSP 2025においてIPP-Netの性能を評価した。評価の結果,IPP-Net は3つの競合タスクにおいて 9.501 dB の重み付き根平均二乗誤差を達成し,第2次総合ランキングを得た。

関連論文リスト

SHARP-Net: A Refined Pyramid Network for Deficiency Segmentation in Culverts and Sewer Pipes [1.663204995903499]
SHARP-Netはセマンティックセグメンテーションのための新しいアーキテクチャである。 Inceptionのようなブロックとさまざまなフィルタサイズを備えたボトムアップパスを統合している。ネットワーク全体を通して、複雑さを減らすために深度的に分離可能な畳み込みが使用される。
論文参考訳（メタデータ） (2024-08-02T23:55:04Z)
Split-and-Fit: Learning B-Reps via Structure-Aware Voronoi Partitioning [50.684254969269546]
本稿では,3次元CADモデルのバウンダリ表現(B-Reps)を取得する新しい手法を提案する。各パーティション内に1つのプリミティブを導出するために空間分割を適用する。我々のネットワークはニューラルなボロノイ図でNVD-Netと呼ばれ、訓練データからCADモデルのボロノイ分割を効果的に学習できることを示す。
論文参考訳（メタデータ） (2024-06-07T21:07:49Z)
Landslide Detection and Segmentation Using Remote Sensing Images and Deep Neural Network [42.59806784981723]
2022 Landslide4Senseコンペティションの結果に基づいて,地すべり検出とセグメンテーションのためのディープニューラルネットワークシステムを提案する。ベースラインモデルとしてクロスエントロピー損失をトレーニングしたU-Netを用いる。次に、幅広いディープラーニング技術を活用して、U-Netベースラインモデルを改善する。
論文参考訳（メタデータ） (2023-12-27T20:56:55Z)
RADIANCE: Radio-Frequency Adversarial Deep-learning Inference for Automated Network Coverage Estimation [8.92389724627982]
RADIANCEは、室内シナリオでRFマップを合成するためのGAN(Generative Adversarial Network)ベースのアプローチである。その結果、RADIANCEは平均平均誤差0.09、ルート平均二乗誤差(RMSE)0.29、ピーク信号-雑音比(PSNR)10.78、マルチスケール構造類似度指数(MS-SSIM)0.80を達成した。
論文参考訳（メタデータ） (2023-08-21T09:33:20Z)
A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
論文参考訳（メタデータ） (2023-03-02T21:48:22Z)
Monocular Depth Estimation Primed by Salient Point Detection and Normalized Hessian Loss [43.950140695759764]
本稿では,単眼深度推定のための高精度で軽量なフレームワークを提案する。深度方向のスケーリングとせん断に不変な正規化ヘッセン損失項を導入し,精度を著しく向上させることを示した。提案手法は,NYU-Depth-v2 と KITTI の3.1-38.4 倍小さいモデルを用いて,ベースライン手法よりもパラメータ数が多い場合の最先端結果を実現する。
論文参考訳（メタデータ） (2021-08-25T07:51:09Z)
UACANet: Uncertainty Augmented Context Attention for Polyp Semgnetaion [12.089183640843416]
我々は、追加のエンコーダとデコーダを備えたU-Net形状ネットワークの修正版を構築した。各予測モジュールでは, 前景, 背景, 不確実領域マップの計算に, 予め予測した精度マップを利用する。 ETISデータセットの平均Diceは76.6%で、従来の最先端手法に比べて13.8%改善している。
論文参考訳（メタデータ） (2021-07-06T03:11:12Z)
ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
論文参考訳（メタデータ） (2021-05-07T11:39:05Z)
PLADE-Net: Towards Pixel-Level Accuracy for Self-Supervised Single-View Depth Estimation with Neural Positional Encoding and Distilled Matting Loss [49.66736599668501]
PLADE-Netと呼ばれる自己監視型単視点画素レベルの高精度深度推定ネットワークを提案する。提案手法は,KITTIデータセットの$delta1$測定値の95%を超え,前例のない精度を示す。
論文参考訳（メタデータ） (2021-03-12T15:54:46Z)
ReActNet: Towards Precise Binary Neural Network with Generalized Activation Functions [76.05981545084738]
本稿では,新たな計算コストを伴わずに,実数値ネットワークからの精度ギャップを埋めるため,バイナリネットワークを強化するためのいくつかのアイデアを提案する。まず,パラメータフリーのショートカットを用いて,コンパクトな実数値ネットワークを修正・バイナライズすることで,ベースラインネットワークを構築する。提案したReActNetはすべての最先端技術よりも大きなマージンで優れていることを示す。
論文参考訳（メタデータ） (2020-03-07T02:12:02Z)
PSC-Net: Learning Part Spatial Co-occurrence for Occluded Pedestrian Detection [144.19392893747582]
本稿では,歩行者検出のための新しいアプローチをPSC-Netと呼ぶ。 PSC-Netは、グラフ畳み込みネットワーク(GCN)を介して、異なる歩行者体のパーツ間の共起情報と部分内共起情報の両方をキャプチャする我々のPSC-Netは歩行者のトポロジ的構造を利用しており、空間的共起を学習するために、部分ベースのアノテーションや視覚的バウンディングボックス(VBB)情報を必要としない。
論文参考訳（メタデータ） (2020-01-25T02:03:17Z)

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。