論文の概要: I Can't Believe It's Not Real: CV-MuSeNet: Complex-Valued Multi-Signal Segmentation

• arxiv url: http://arxiv.org/abs/2506.11048v1
• Date: Wed, 21 May 2025 20:08:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-22 23:32:14.515471
• Title: I Can't Believe It's Not Real: CV-MuSeNet: Complex-Valued Multi-Signal Segmentation
• Title（参考訳）: CV-MuSeNet:複合価値マルチシグナルセグメンテーション
• Authors: Sangwon Shin, Mehmet C. Vuran,
• Abstract要約: 認知無線システムは、ニューラルネットワークにおける最近のイノベーションの助けを借りて、ダイナミックスペクトルアクセスを可能にする。 従来の実数値ニューラルネットワーク(RVNN)は、低信号対雑音比(SNR)環境では困難に直面している。 この研究は、広帯域スペクトルセンシングのための複素値多重信号分割ネットワークであるCMuSeNetを提示する。
• 参考スコア（独自算出の注目度）: 2.8057339957917673
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The increasing congestion of the radio frequency spectrum presents challenges for efficient spectrum utilization. Cognitive radio systems enable dynamic spectrum access with the aid of recent innovations in neural networks. However, traditional real-valued neural networks (RVNNs) face difficulties in low signal-to-noise ratio (SNR) environments, as they were not specifically developed to capture essential wireless signal properties such as phase and amplitude. This work presents CMuSeNet, a complex-valued multi-signal segmentation network for wideband spectrum sensing, to address these limitations. Extensive hyperparameter analysis shows that a naive conversion of existing RVNNs into their complex-valued counterparts is ineffective. Built on complex-valued neural networks (CVNNs) with a residual architecture, CMuSeNet introduces a complexvalued Fourier spectrum focal loss (CFL) and a complex plane intersection over union (CIoU) similarity metric to enhance training performance. Extensive evaluations on synthetic, indoor overthe-air, and real-world datasets show that CMuSeNet achieves an average accuracy of 98.98%-99.90%, improving by up to 9.2 percentage points over its real-valued counterpart and consistently outperforms state of the art. Strikingly, CMuSeNet achieves the accuracy level of its RVNN counterpart in just two epochs, compared to the 27 epochs required for RVNN, while reducing training time by up to a 92.2% over the state of the art. The results highlight the effectiveness of complex-valued architectures in improving weak signal detection and training efficiency for spectrum sensing in challenging low-SNR environments. The dataset is available at: https://dx.doi.org/10.21227/hcc1-6p22
• Abstract（参考訳）: 電波周波数スペクトルの混雑が増大すると、効率的なスペクトル利用の課題が浮かび上がる。 認知無線システムは、ニューラルネットワークにおける最近のイノベーションの助けを借りて、ダイナミックスペクトルアクセスを可能にする。 しかし、従来の実数値ニューラルネットワーク(RVNN)は、位相や振幅といった重要な無線信号特性を捉えるために特別に開発されたものではないため、低信号対雑音比(SNR)環境では困難に直面している。 この研究は、これらの制限に対処するために、広帯域スペクトルセンシングのための複素値多重信号分割ネットワークであるCMuSeNetを提示する。 広汎なハイパーパラメータ解析により、既存のRVNNを複雑な値に変換することは効果がないことが示された。 CMuSeNetは、残差アーキテクチャを持つ複素数値ニューラルネットワーク(CVNN)上に構築され、複雑な評価されたフーリエスペクトル焦点損失(CFL)と、訓練性能を高めるためにユニオン(CIoU)類似度メトリック上の複素平面交叉を導入している。 CMuSeNetの合成、室内のオーバーザエア、および実世界のデータセットの大規模な評価は、CMuSeNetが平均精度98.98%-99.90%を達成し、実数値よりも最大9.2ポイント向上し、常に最先端であることを示している。 CMuSeNetは、RVNNに必要な27のエポックと比較すると、たった2つのエポックでRVNNの精度レベルを達成し、最先端技術よりも最大92.2%のトレーニング時間を短縮した。 その結果,低SNR環境下でのスペクトルセンシングにおける弱信号検出とトレーニング効率の向上に,複雑なアーキテクチャの有効性が強調された。 データセットは以下の通りである。 https://dx.doi.org/10.21227/hcc1-6p22

関連論文リスト

• Spec2VolCAMU-Net: A Spectrogram-to-Volume Model for EEG-to-fMRI Reconstruction based on Multi-directional Time-Frequency Convolutional Attention Encoder and Vision-Mamba U-Net [12.862801292260833]
  高分解能核磁気共鳴イメージング(fMRI)はヒト脳活動のマッピングに不可欠である。 既存のEEG-to-fMRIジェネレータは、チャネル間の時間周波数キューをキャプチャできない普通のCNNに依存している。 時間周波数畳み込みアテンションを介してこれらの問題に直面する軽量の分光器であるSpec2VolCAMU-Netを提案する。
  論文  参考訳（メタデータ） (2025-05-14T16:18:21Z)
• Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
  本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。 複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。 変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
  論文  参考訳（メタデータ） (2024-12-05T09:41:33Z)
• Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
  ニューロモルフィックコンピューティングは、スパイキングニューラルネットワーク(SNN)を使用して推論タスクを実行する。 スパイクニューロン間で交換される各スパイクに小さなペイロードを埋め込むことで、エネルギー消費を増大させることなく推論精度を高めることができる。 分割コンピューティング — SNNを2つのデバイスに分割する — は、有望なソリューションだ。 本稿では,マルチレベルSNNを用いたニューロモルフィック無線分割コンピューティングアーキテクチャの総合的研究について述べる。
  論文  参考訳（メタデータ） (2024-11-07T14:08:35Z)
• NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
  本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。 所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。 ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
  論文  参考訳（メタデータ） (2022-09-29T04:06:00Z)
• An Analysis of Complex-Valued CNNs for RF Data-Driven Wireless Device Classification [12.810432378755904]
  最近のディープニューラルネットワークに基づくデバイス分類研究は、複素数値ニューラルネットワーク(CVNN)が実数値ニューラルネットワーク(RVNN)よりも高い分類精度が得られることを示している。 本研究は、実際のLoRaおよびWiFi RFデータセットを用いて、この傾向についてより深く理解する。
  論文  参考訳（メタデータ） (2022-02-20T10:35:20Z)
• Real-Time EMG Signal Classification via Recurrent Neural Networks [2.66418345185993]
  ニューラルネットワークに基づく一連のアーキテクチャを用いて、分類精度を高め、予測遅延時間を短縮する。 これらのアーキテクチャの性能は比較され、一般に600msecで96%の分類精度を達成し、他の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2021-09-13T02:36:44Z)
• Parallel frequency function-deep neural network for efficient complex broadband signal approximation [1.536989504296526]
  ニューラルネットワークは本質的に、特徴フィッティングのためのネットワーク重みを調整することで、高次元の複雑なマッピングモデルである。 ネットワークトレーニングにおけるスペクトルバイアスは、ブロードバンド信号に高周波成分を適合させるには耐え難い訓練エポックをもたらす。 並列周波数関数ディープニューラルネットワーク(PFF-DNN)を提案する。
  論文  参考訳（メタデータ） (2021-06-19T01:39:13Z)
• 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)
• 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。