論文の概要: CrossRF: A Domain-Invariant Deep Learning Approach for RF Fingerprinting
- arxiv url: http://arxiv.org/abs/2505.18200v1
- Date: Wed, 21 May 2025 12:20:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-27 16:58:42.199422
- Title: CrossRF: A Domain-Invariant Deep Learning Approach for RF Fingerprinting
- Title（参考訳）: CrossRF: RFフィンガープリントのためのドメイン不変ディープラーニングアプローチ
- Authors: Fahrettin Emin Tiras, Hayriye Serra Altinoluk,
- Abstract要約: CrossRFは、クロスチャネルRFフィンガープリントの問題に対処するドメイン不変のディープラーニングアプローチである。
我々は,UAVSigデータセットを用いて,同一のドローンモデルから現実の空中RF信号を含むアプローチを検証する。
実験はCrossRFの効率を示し、Channel 3からChannel 4に適応する際の精度は99.03%に達し、従来の手法では26.39%であった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Radio Frequency (RF) fingerprinting offers a promising approach for drone identification and security, although it suffers from significant performance degradation when operating on different transmission channels. This paper presents CrossRF, a domain-invariant deep learning approach that addresses the problem of cross-channel RF fingerprinting for Unmanned Aerial Vehicle (UAV) identification. Our approach aims to minimize the domain gap between different RF channels by using adversarial learning to train a more robust model that maintains consistent identification performance despite channel variations. We validate our approach using the UAVSig dataset, comprising real-world over-the-air RF signals from identical drone models operating across several frequency channels, ensuring that the findings correspond to real-world scenarios. The experimental results show CrossRF's efficiency, achieving up to 99.03% accuracy when adapting from Channel 3 to Channel 4, compared to only 26.39% using conventional methods. The model maintains robust performance in more difficult multi-channel scenarios (87.57% accuracy adapting from Channels 1,3 to 2,4) and achieves 89.45% accuracy with 0.9 precision for controller classification. These results confirm CrossRF's ability to significantly reduce performance degradation due to cross-channel variations while maintaining high identification accuracy with minimal training data requirements, making it particularly suitable for practical drone security applications.
- Abstract（参考訳）: RF(Radio Frequency)フィンガープリントはドローンの識別とセキュリティに有望なアプローチを提供するが、異なる送信チャネルで動作する際には大きなパフォーマンス劣化に悩まされる。
本稿では,無人航空機(UAV)識別におけるクロスチャネルRFフィンガープリントの問題に対処する,ドメイン不変な深層学習手法であるCrossRFを提案する。
提案手法は,異なるRFチャネル間の領域ギャップを最小化するために,対角学習を用いて,チャネルの変動にもかかわらず一貫した識別性能を維持するような,より堅牢なモデルを訓練することを目的としている。
我々はUAVSigデータセットを用いて,複数の周波数チャネルをまたいで動作する同一のドローンモデルから,実世界の無線RF信号を含むアプローチを検証し,実世界のシナリオに対応することを確認した。
実験結果はCrossRFの効率を示し、Channel 3からChannel 4への適応時の精度は99.03%、従来の手法では26.39%であった。
このモデルは、より難しいマルチチャネルシナリオ(チャンネル1,3から2,4に適応する87.57%の精度)で堅牢な性能を維持し、コントローラ分類の0.9精度で89.45%の精度を達成する。
これらの結果は、CrossRFがクロスチャネル変動による性能劣化を著しく低減すると同時に、トレーニングデータ要件を最小限に抑えながら高い識別精度を維持し、実用的なドローンセキュリティアプリケーションに特に適していることを示す。
関連論文リスト
- RAT: Boosting Misclassification Detection Ability without Extra Data [17.800393583230044]
本研究では,逆方向摂動レンズを用いた画像分類モデルの誤分類入力の検出について検討する。
本稿では、信頼度としてロバスト半径を用い、2つの効率的な推定アルゴリズムRR-BSとRR-Fastを誤分類検出に使用することを提案する。
実験では,AURCの最大29.3%,FPR@95TPRの最大21.62%の削減が可能であった。
論文 参考訳（メタデータ） (2025-03-18T23:18:55Z) - Residual Channel Boosts Contrastive Learning for Radio Frequency Fingerprint Identification [17.98760668117099]
本稿では、RFFI(Radio Frequency Fingerprint Identification)のための残留チャネルに基づくデータ拡張戦略を提案する。
提案手法は,より少ないサンプルと少ない時間で,特徴抽出能力と一般化能力の両方を著しく向上させることを示す。
論文 参考訳（メタデータ） (2024-12-12T02:48:20Z) - Unsupervised Contrastive Learning for Robust RF Device Fingerprinting
Under Time-Domain Shift [12.443489826220183]
RF(Radio Frequency)デバイス指紋認証は、無線デバイスの自動識別と分類の潜在的な技術として認識されている。
チャネルの状態や環境設定の変化から生じる可能性のあるドメインシフトのために、これは大きな課題に直面します。
本稿では,この領域シフト問題を緩和するために,コントラスト学習を活用する新しい手法を提案する。
論文 参考訳（メタデータ） (2024-03-06T20:33:55Z) - DT-DDNN: A Physical Layer Security Attack Detector in 5G RF Domain for CAVs [10.215216950059874]
妨害攻撃は5Gネットワークに重大なリスクをもたらす。
本研究は, CAVネットワークにおけるジャマー検出のための, 深層学習に基づく新しい手法を提案する。
提案手法は, 余剰低妨害電力の96.4%検出率を実現する。
論文 参考訳（メタデータ） (2024-03-05T04:29:31Z) - Global Context Aggregation Network for Lightweight Saliency Detection of
Surface Defects [70.48554424894728]
我々は,エンコーダ・デコーダ構造上の表面欠陥を簡易に検出するためのGCANet(Global Context Aggregation Network)を開発した。
まず、軽量バックボーンの上部層に新しいトランスフォーマーエンコーダを導入し、DSA(Depth-wise Self-Attention)モジュールを通じてグローバルなコンテキスト情報をキャプチャする。
3つの公開欠陥データセットの実験結果から,提案したネットワークは,他の17の最先端手法と比較して,精度と実行効率のトレードオフを良好に達成できることが示された。
論文 参考訳（メタデータ） (2023-09-22T06:19:11Z) - Uncertainty-Aware Source-Free Adaptive Image Super-Resolution with Wavelet Augmentation Transformer [60.31021888394358]
Unsupervised Domain Adaptation (UDA)は、現実世界の超解像(SR)における領域ギャップ問題に効果的に対処できる
本稿では,画像SR(SODA-SR)のためのSOurce-free Domain Adaptationフレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-31T03:14:44Z) - Fingerprint Presentation Attack Detection by Channel-wise Feature
Denoising [18.933809452711163]
指紋認識システム(AFRS)は悪意のある攻撃に対して脆弱である。
現在のフィンガープリント提示攻撃検出法は、新しい攻撃材料やセンサー設定下では、しばしばロバスト性に欠ける。
本稿では,CFD-PAD (Channel-wise Feature Denoising fingerprint PAD) 法を提案する。
論文 参考訳（メタデータ） (2021-11-15T09:13:21Z) - Learning to Perform Downlink Channel Estimation in Massive MIMO Systems [72.76968022465469]
大規模マルチインプット・マルチアウトプット(MIMO)システムにおけるダウンリンク(DL)チャネル推定について検討する。
一般的なアプローチは、チャネル硬化によって動機付けられた推定値として平均値を使用することである。
本稿では2つの新しい推定法を提案する。
論文 参考訳（メタデータ） (2021-09-06T13:42:32Z) - Semantic Perturbations with Normalizing Flows for Improved
Generalization [62.998818375912506]
我々は、非教師付きデータ拡張を定義するために、潜在空間における摂動が利用できることを示す。
トレーニングを通して分類器に適応する潜伏性対向性摂動が最も効果的であることが判明した。
論文 参考訳（メタデータ） (2021-08-18T03:20:00Z) - Operation-Aware Soft Channel Pruning using Differentiable Masks [51.04085547997066]
本稿では,データ駆動型アルゴリズムを提案する。このアルゴリズムは,操作特性を利用して,ディープニューラルネットワークを異なる方法で圧縮する。
我々は大規模な実験を行い、出力ネットワークの精度で優れた性能を達成する。
論文 参考訳（メタデータ） (2020-07-08T07:44:00Z)
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。