Fugu-MT 論文翻訳(概要): Investigating Map-Based Path Loss Models: A Study of Feature Representations in Convolutional Neural Networks

論文の概要: Investigating Map-Based Path Loss Models: A Study of Feature Representations in Convolutional Neural Networks

arxiv url: http://arxiv.org/abs/2501.07534v1
Date: Mon, 13 Jan 2025 18:15:01 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-14 14:21:04.203325
Title: Investigating Map-Based Path Loss Models: A Study of Feature Representations in Convolutional Neural Networks
Title（参考訳）: 地図に基づく経路損失モデルの検討:畳み込みニューラルネットワークにおける特徴表現の検討
Authors: Ryan G. Dempsey, Jonathan Ethier, Halim Yanikomeroglu,
Abstract要約: 畳み込みニューラルネットワークにおけるスカラー特徴の表現法について検討する。画像チャネルとしてのスカラー特徴の表現が最強の一般化をもたらすことが判明した。
参考スコア（独自算出の注目度）: 20.62701088477552
License:
Abstract: Path loss prediction is a beneficial tool for efficient use of the radio frequency spectrum. Building on prior research on high-resolution map-based path loss models, this paper studies convolutional neural network input representations in more detail. We investigate different methods of representing scalar features in convolutional neural networks. Specifically, we compare using frequency and distance as input channels to convolutional layers or as scalar inputs to regression layers. We assess model performance using three different feature configurations and find that representing scalar features as image channels results in the strongest generalization.
Abstract（参考訳）: 経路損失予測は、無線周波数スペクトルの効率的な利用に有用なツールである。本稿では,高分解能マップに基づく経路損失モデルに関する先行研究に基づいて,畳み込みニューラルネットワークの入力表現についてより詳細に研究する。畳み込みニューラルネットワークにおけるスカラー特徴の表現法について検討する。具体的には、周波数と距離を入力チャネルとして、畳み込み層に、あるいは回帰層にスカラー入力として、比較する。 3つの異なる特徴構成を用いてモデル性能を評価し、スカラー特徴を画像チャネルとして表現することで最強の一般化が得られることを示す。

関連論文リスト

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)
Graph Neural Networks for Learning Equivariant Representations of Neural Networks [55.04145324152541]
本稿では,ニューラルネットワークをパラメータの計算グラフとして表現することを提案する。我々のアプローチは、ニューラルネットワークグラフを多種多様なアーキテクチャでエンコードする単一モデルを可能にする。本稿では,暗黙的ニューラル表現の分類や編集など,幅広いタスクにおける本手法の有効性を示す。
論文参考訳（メタデータ） (2024-03-18T18:01:01Z)
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)
Feature Gradient Flow for Interpreting Deep Neural Networks in Head and Neck Cancer Prediction [2.9477900773805032]
本稿では,人間に理解可能な機能の観点から,ディープラーニングモデルを解釈する新しい手法である特徴勾配流を提案する。モデルの勾配流と解釈可能な特徴の一致を測定する。我々は、損失関数に正規化項を追加することにより、ニューラルネットワークをより解釈できるようにトレーニングする技術を開発した。
論文参考訳（メタデータ） (2023-07-24T18:25:59Z)
Anisotropic Multi-Scale Graph Convolutional Network for Dense Shape Correspondence [3.45989531033125]
本稿では,コンピュータビジョンとグラフィックスにおけるキー形状解析の応用である3次元高密度形状対応について検討する。本稿では,幾何学的に有意かつ離散化に依存しない特徴を学習するハイブリッドな幾何学的深層学習モデルを提案する。得られた対応マップは、ベンチマークデータセット上で最先端のパフォーマンスを示す。
論文参考訳（メタデータ） (2022-10-17T22:40:50Z)
Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文参考訳（メタデータ） (2022-02-01T17:11:13Z)
SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文参考訳（メタデータ） (2021-06-10T04:21:20Z)
Topological obstructions in neural networks learning [67.8848058842671]
損失勾配関数フローのグローバル特性について検討する。損失関数とそのモースコンプレックスの位相データ解析を用いて,損失面の大域的特性と勾配軌道に沿った局所的挙動を関連付ける。
論文参考訳（メタデータ） (2020-12-31T18:53:25Z)
Adaptive Exploitation of Pre-trained Deep Convolutional Neural Networks for Robust Visual Tracking [14.627458410954628]
本稿では,4つのCNNモデルを包括的に分析し,各モデルの最適な特徴マップを決定する。解析結果を属性辞書として活用することにより,視覚トラッカーの精度とロバスト性を向上させるために,深部特徴の適応的利用を提案する。
論文参考訳（メタデータ） (2020-08-29T17:09:43Z)
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。