論文の概要: Advancing Single-Snapshot DOA Estimation with Siamese Neural Networks for Sparse Linear Arrays

• arxiv url: http://arxiv.org/abs/2501.07008v1
• Date: Mon, 13 Jan 2025 01:59:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-14 14:23:25.530643
• Title: Advancing Single-Snapshot DOA Estimation with Siamese Neural Networks for Sparse Linear Arrays
• Title（参考訳）: スパースリニアアレイのためのシームズニューラルネットワークによる単発DOA推定の高速化
• Authors: Ruxin Zheng, Shunqiao Sun, Hongshan Liu, Yimin D. Zhang,
• Abstract要約: スパース線形アレイにおける単発ショット信号処理はますます重要になっている。 本稿では,スパース増層を特徴とする新しいサイムズニューラルネットワーク(SNN)を提案する。 本稿では,詳細な特徴分析と性能評価により,提案手法のDOA推定性能の向上を実証する。
• 参考スコア（独自算出の注目度）: 10.112125529627155
• License:
• Abstract: Single-snapshot signal processing in sparse linear arrays has become increasingly vital, particularly in dynamic environments like automotive radar systems, where only limited snapshots are available. These arrays are often utilized either to cut manufacturing costs or result from unintended antenna failures, leading to challenges such as high sidelobe levels and compromised accuracy in direction-of-arrival (DOA) estimation. Despite deep learning's success in tasks such as DOA estimation, the need for extensive training data to increase target numbers or improve angular resolution poses significant challenges. In response, this paper presents a novel Siamese neural network (SNN) featuring a sparse augmentation layer, which enhances signal feature embedding and DOA estimation accuracy in sparse arrays. We demonstrate the enhanced DOA estimation performance of our approach through detailed feature analysis and performance evaluation. The code for this study is available at https://github.com/ruxinzh/SNNS_SLA.
• Abstract（参考訳）: スパースリニアアレイにおけるシングルショット信号処理は、特に限られたスナップショットしか利用できない自動車レーダーシステムのような動的環境において、ますます重要になっている。 これらのアレイは製造コストの削減や意図しないアンテナ故障の結果として使われることが多く、高いサイドローブレベルやDOA推定の精度が損なわれている。 DOA推定などのタスクにおけるディープラーニングの成功にもかかわらず、ターゲット数を増やしたり角分解能を向上させるための広範なトレーニングデータの必要性は大きな課題である。 そこで本研究では,スパースアレーにおける信号特徴の埋め込みとDOA推定精度を向上するスパース拡張層を特徴とする新しいサイムズニューラルネットワーク(SNN)を提案する。 本稿では,詳細な特徴分析と性能評価により,提案手法のDOA推定性能の向上を実証する。 この研究のコードはhttps://github.com/ruxinzh/SNNS_SLAで公開されている。

関連論文リスト

• Low Latency of object detection for spikng neural network [3.404826786562694]
  スパイキングニューラルネットワークは、バイナリスパイクの性質のため、エッジAIアプリケーションに適している。 本稿では,オブジェクト検出に特化して,高精度で低遅延なSNNを生成することに焦点を当てる。
  論文  参考訳（メタデータ） (2023-09-27T10:26:19Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• Automotive Object Detection via Learning Sparse Events by Spiking Neurons [20.930277906912394]
  スパイキングニューラルネットワーク(SNN)は、本質的にイベントベースのデータと整合した時間的表現を提供する。 自動車のイベントベース物体検出に最適化された特化スパイキング特徴ピラミッドネットワーク(SpikeFPN)を提案する。
  論文  参考訳（メタデータ） (2023-07-24T15:47:21Z)
• Resilient Sparse Array Radar with the Aid of Deep Learning [13.379837737029085]
  本稿では、センサ故障の影響を緩和し、到着方向の推定性能と分解能を維持するための2つの機械学習(ML)手法を提案する。 第1の方法は、ディープニューラルネットワーク(DNN)を用いた従来の空間平滑化を強化し、第2の方法はエンドツーエンドのデータ駆動方式である。 数値計算の結果,両手法は2つのセンサでMRAの性能を著しく向上させることができることがわかった。
  論文  参考訳（メタデータ） (2023-06-21T14:13:56Z)
• Navigating Local Minima in Quantized Spiking Neural Networks [3.1351527202068445]
  深層学習(DL)アルゴリズムの超効率的な実装においては,スパイキングと量子ニューラルネットワーク(NN)が極めて重要になっている。 これらのネットワークは、ハードしきい値を適用する際の勾配信号の欠如により、エラーのバックプロパゲーションを使用してトレーニングする際の課題に直面している。 本稿では,コサインアニールLRスケジュールと重み非依存適応モーメント推定を併用したシステム評価を行った。
  論文  参考訳（メタデータ） (2022-02-15T06:42:25Z)
• Semi-supervised Network Embedding with Differentiable Deep Quantisation [81.49184987430333]
  我々はネットワーク埋め込みのための微分可能な量子化法であるd-SNEQを開発した。 d-SNEQは、学習された量子化符号にリッチな高次情報を与えるためにランク損失を組み込む。 トレーニング済みの埋め込みのサイズを大幅に圧縮できるため、ストレージのフットプリントが減少し、検索速度が向上する。
  論文  参考訳（メタデータ） (2021-08-20T11:53:05Z)
• Random Features for the Neural Tangent Kernel [57.132634274795066]
  完全接続型ReLUネットワークのニューラルタンジェントカーネル(NTK)の効率的な特徴マップ構築を提案する。 得られた特徴の次元は、理論と実践の両方で比較誤差境界を達成するために、他のベースライン特徴マップ構造よりもはるかに小さいことを示しています。
  論文  参考訳（メタデータ） (2021-04-03T09:08:12Z)
• Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
  我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。 我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。 私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
  論文  参考訳（メタデータ） (2020-11-17T12:52:18Z)
• Rectified Linear Postsynaptic Potential Function for Backpropagation in Deep Spiking Neural Networks [55.0627904986664]
  スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。 本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
  論文  参考訳（メタデータ） (2020-03-26T11:13:07Z)
• 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。

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。