論文の概要: RINN: One Sample Radio Frequency Imaging based on Physics Informed Neural Network
- arxiv url: http://arxiv.org/abs/2504.15311v1
- Date: Sat, 19 Apr 2025 15:19:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-01 02:17:16.067838
- Title: RINN: One Sample Radio Frequency Imaging based on Physics Informed Neural Network
- Title（参考訳）: RINN:物理インフォームドニューラルネットワークに基づく1つのサンプル電波周波数イメージング
- Authors: Fei Shang, Haohua Du, Dawei Yan, Panlong Yang, Xiang-Yang Li,
- Abstract要約: 高周波イメージング技術は、エンボディインテリジェンスとマルチモーダルセンシングの新しい可能性をもたらすことが期待されている。
本稿では、実値比較制約の代わりに物理制約を用いて、PINNのアイデアを組み合わせてRINNネットワークを設計する。
数値評価の結果,RINNの位相レスデータに基づく撮像結果は良好であり,RTMSE(0.11)などの指標も同様に良好であった。
- 参考スコア（独自算出の注目度）: 9.812746486699323
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Due to its ability to work in non-line-of-sight and low-light environments, radio frequency (RF) imaging technology is expected to bring new possibilities for embodied intelligence and multimodal sensing. However, widely used RF devices (such as Wi-Fi) often struggle to provide high-precision electromagnetic measurements and large-scale datasets, hindering the application of RF imaging technology. In this paper, we combine the ideas of PINN to design the RINN network, using physical constraints instead of true value comparison constraints and adapting it with the characteristics of ubiquitous RF signals, allowing the RINN network to achieve RF imaging using only one sample without phase and with amplitude noise. Our numerical evaluation results show that compared with 5 classic algorithms based on phase data for imaging results, RINN's imaging results based on phaseless data are good, with indicators such as RRMSE (0.11) performing similarly well. RINN provides new possibilities for the universal development of radio frequency imaging technology.
- Abstract（参考訳）: 非視線・低照度環境での作業が可能であるため、無線周波数(RF)イメージング技術は、インボディードインテリジェンスとマルチモーダルセンシングの新たな可能性をもたらすことが期待されている。
しかし、広範に使われているRFデバイス(例えばWi-Fi)は、高精度の電磁測定や大規模なデータセットの提供に苦慮し、RFイメージング技術の適用を妨げている。
本稿では,実測値比較制約の代わりに物理制約を用いてRINNネットワークを設計し,それをユビキタスRF信号の特性に適応させるというPINNの考え方を組み合わせる。
数値評価の結果, 位相データに基づく5つの古典的アルゴリズムと比較して, RINNの位相データに基づく撮像結果は良好であり, RRMSE (0.11) などの指標も同様に良好であることがわかった。
RINNは、無線周波数イメージング技術の普遍的な発展のための新しい可能性を提供する。
関連論文リスト
- Fast-RF-Shimming: Accelerate RF Shimming in 7T MRI using Deep Learning [16.39978444212565]
高次場は、電波透過(RF)磁場の不均一性のような課題を導入し、不均一なフリップ角と画像強度のアーチファクトをもたらす。
従来のRFシミング法(Magnitude Least Squares (MLS) 最適化、RFフィールドの不均一性を緩和するが、時間集約的であり、患者の存在を必要とすることが多い。
繰り返し投影されたリッジ回帰によるRFシム予測のような最近の機械学習手法は、代替アプローチを提供するが、広範なトレーニング要件のような課題に直面している。
本稿では,5000倍の高速化を実現するFast RF Shimmingという,総合的な学習ベースフレームワークを提案する。
論文 参考訳（メタデータ） (2025-01-21T14:09:58Z) - Rydberg Atomic Quantum Receivers for Classical Wireless Communications and Sensing: Their Models and Performance [78.76421728334013]
ライドバーグ原子量子受信機(Rydberg atomic quantum receivers, RAQRs)は、高周波(RF)信号の電界を検出するための卓越した溶液である。
本稿では,無線コミュニティにおけるRAQRの超ヘテロダインバージョンについて,エンド・ツー・エンドの受信方式を提案する。
次に,現実的な受信フローに依存する等価なベースバンド信号モデルを開発する。
論文 参考訳（メタデータ） (2024-12-07T06:25:54Z) - Rydberg Atomic Quantum Receivers for Classical Wireless Communication and Sensing [71.94873601156017]
Rydberg 原子量子受信機 (RAQR) は、高周波(RF)信号を受信するように設計された量子精密センシングプラットフォームを新たに開発している。
RAQRは光-原子相互作用に基づくRF-光変換を実現する。
初期の実験的研究は、古典的な無線通信とセンシングにおけるその能力を実証した。
論文 参考訳（メタデータ） (2024-09-22T15:55:02Z) - Optimizing Transmit Field Inhomogeneity of Parallel RF Transmit Design in 7T MRI using Deep Learning [9.596613410358206]
超高磁場(UHF)磁気共鳴イメージング(MRI)は信号対雑音比を高くし、空間分解能を高くする。
UHF MRIは、無線周波数(RF)磁場(B1+)の不均一性などの課題を導入し、不均一なフリップ角と画像強度異常をもたらす。
本研究では,新たな深層学習戦略を通じて,B1+フィールドの均一性を論じる。
論文 参考訳（メタデータ） (2024-08-21T04:10:56Z) - RF-Diffusion: Radio Signal Generation via Time-Frequency Diffusion [15.175370227353406]
RF信号の時間・周波数・複素値領域における情報入力を可能にするため,新しい時間周波数拡散理論を導入する。
RF拡散(RF-Diffusion)は、多種多様な高品質かつ時系列のRFデータを生成する汎用的なソリューションである。
また、5Gネットワークにおいて、Wi-Fiセンシングシステムを強化し、チャネル推定を行う上で、RF拡散の汎用性を示す。
論文 参考訳（メタデータ） (2024-04-14T04:56:05Z) - In-Sensor Radio Frequency Computing for Energy-Efficient Intelligent
Radar [8.041399176135178]
本稿では,大規模RFNNを,その精度をほぼ保ちつつ,コンパクトなRFNNに変換することを提案する。
我々は、ロバストTT-RFNN(RTT-RFNN)をTT-RFNNに組み込むことにより、ロバストTT-RFNN(RTT-RFNN)を構築する。
MNIST と CIFAR-10 データセットを用いた実験により,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2023-12-16T06:21:42Z) - Classification of multi-frequency RF signals by extreme learning, using
magnetic tunnel junctions as neurons and synapses [46.000685134136525]
磁気トンネル接合は並列に複数の周波数でRF入力を処理可能であることを示す。
極端学習と呼ばれるバックプロパゲーションフリーの手法を用いて、RF信号で符号化されたノイズの多い画像を分類する。
これらの結果は、組み込みの高周波人工知能にとって重要なステップである。
論文 参考訳（メタデータ） (2022-11-02T14:09:42Z) - NeRF-SR: High-Quality Neural Radiance Fields using Super-Sampling [82.99453001445478]
主に低分解能(LR)入力を用いた高分解能(HR)新規ビュー合成のソリューションであるNeRF-SRを提案する。
提案手法は,多層パーセプトロンを用いて各点密度と色を予測するニューラルレージアンス場(NeRF)上に構築されている。
論文 参考訳（メタデータ） (2021-12-03T07:33:47Z) - Three-Way Deep Neural Network for Radio Frequency Map Generation and
Source Localization [67.93423427193055]
空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。
本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
論文 参考訳（メタデータ） (2021-11-23T22:25:10Z) - Learning Frequency-aware Dynamic Network for Efficient Super-Resolution [56.98668484450857]
本稿では、離散コサイン変換(dct)領域の係数に応じて入力を複数の部分に分割する新しい周波数認識動的ネットワークについて検討する。
実際、高周波部は高価な操作で処理され、低周波部は計算負荷を軽減するために安価な操作が割り当てられる。
ベンチマークSISRモデルおよびデータセット上での実験は、周波数認識動的ネットワークが様々なSISRニューラルネットワークに使用できることを示している。
論文 参考訳（メタデータ） (2021-03-15T12:54:26Z)
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。