Fugu-MT 論文翻訳(概要): Data-driven RF Tomography via Cross-modal Sensing and Continual Learning

論文の概要: Data-driven RF Tomography via Cross-modal Sensing and Continual Learning

arxiv url: http://arxiv.org/abs/2508.11654v1
Date: Mon, 04 Aug 2025 09:48:50 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-24 10:27:26.475495
Title: Data-driven RF Tomography via Cross-modal Sensing and Continual Learning
Title（参考訳）: クロスモーダルセンシングと連続学習によるデータ駆動RFトモグラフィ
Authors: Yang Zhao, Tao Wang, Said Elhadi,
Abstract要約: 地下根管の断面像を再構成するためのDRIFT(Data-driven Radio frequency tomography)フレームワークを提案する。まず、RFと視覚センサを用いたクロスモーダルセンシングシステムを設計し、RFトモグラフィディープニューラルネットワーク(DNN)モデルをトレーニングすることを提案する。実験の結果, 平均直径誤差は2.29cm, 23.2%であり, 最先端のアプローチでは改善が見られた。
参考スコア（独自算出の注目度）: 11.021948836550829
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Data-driven radio frequency (RF) tomography has demonstrated significant potential for underground target detection, due to the penetrative nature of RF signals through soil. However, it is still challenging to achieve accurate and robust performance in dynamic environments. In this work, we propose a data-driven radio frequency tomography (DRIFT) framework with the following key components to reconstruct cross section images of underground root tubers, even with significant changes in RF signals. First, we design a cross-modal sensing system with RF and visual sensors, and propose to train an RF tomography deep neural network (DNN) model following the cross-modal learning approach. Then we propose to apply continual learning to automatically update the DNN model, once environment changes are detected in a dynamic environment. Experimental results show that our approach achieves an average equivalent diameter error of 2.29 cm, 23.2% improvement upon the state-of-the-art approach. Our DRIFT code and dataset are publicly available on https://github.com/Data-driven-RTI/DRIFT.
Abstract（参考訳）: データ駆動ラジオ周波数(RF)トモグラフィーは,土壌中のRF信号の透過性から,地中ターゲット検出に有意な可能性を示唆している。しかし、動的環境において正確で堅牢な性能を達成することは依然として困難である。本研究では,地下の根管の断面像をRF信号に有意な変化を伴って再構成するために,以下のキー成分を用いたDRIFT(Data-driven Radio frequency tomography)フレームワークを提案する。まず、RFと視覚センサを用いたクロスモーダルセンシングシステムを設計し、クロスモーダル学習アプローチに従って、RFトモグラフィーディープニューラルネットワーク(DNN)モデルをトレーニングすることを提案する。そこで本研究では,動的環境下で環境変化が検出されると,DNNモデルの自動更新に継続学習を適用することを提案する。実験の結果, 平均直径誤差は2.29cm, 23.2%であり, 最先端のアプローチでは改善が見られた。 DRIFTのコードとデータセットはhttps://github.com/Data-driven-RTI/DRIFTで公開されています。

関連論文リスト

RadioGen3D: 3D Radio Map Generation via Adversarial Learning on Large-Scale Synthetic Data [62.63849426834315]
将来の6Gおよび低高度ネットワークにおける効率的な無線資源管理には,無線地図が不可欠である。ディープ・ラーニング(DL)技術は、無線地図推定における従来のレイトレーシングに代わる効果的な代替手段として登場した。提案するRadioGen3Dフレームワークは,本質的な3次元信号伝搬特性とアンテナ偏光効果を捉える。
論文参考訳（メタデータ） (2026-02-21T07:50:05Z)
IrisNet: Infrared Image Status Awareness Meta Decoder for Infrared Small Targets Detection [92.56025546608699]
IrisNetは、入力赤外線画像ステータスに検出戦略を適用する、新しいメタ学習フレームワークである。提案手法は,赤外線画像特徴量とデコーダパラメータ全体の動的マッピングを確立する。 NUDT-SIRST、NUAA-SIRST、IRSTD-1Kデータセットの実験は、我々のIrisNetの優位性を示している。
論文参考訳（メタデータ） (2025-11-25T13:53:54Z)
Ivan-ISTD: Rethinking Cross-domain Heteroscedastic Noise Perturbations in Infrared Small Target Detection [53.689841037081834]
Ivan-ISTD は ISTD におけるクロスドメインシフトと異方性雑音摂動の2つの課題に対処するように設計されている。 Ivan-ISTDはクロスドメインシナリオにおいて優れた堅牢性を示している。
論文参考訳（メタデータ） (2025-10-14T07:48:31Z)
RINN: One Sample Radio Frequency Imaging based on Physics Informed Neural Network [9.812746486699323]
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。
論文参考訳（メタデータ） (2025-04-19T15:19:12Z)
Graph-CNNs for RF Imaging: Learning the Electric Field Integral Equations [20.07924835384647]
本稿では、対応する逆モデルを学ぶために、ディープニューラルネットワーク(DNN)アーキテクチャを提案する。グラフアテンションバックボーンは、システムのジオメトリをDNNに渡すことができ、残余の畳み込み層がオブジェクトの特徴を抽出する。異なる特徴を持つ2つの合成データセットに対する評価は、提案した高度なアーキテクチャの性能向上を示す。
論文参考訳（メタデータ） (2025-03-18T17:16:40Z)
Few-Shot Radar Signal Recognition through Self-Supervised Learning and Radio Frequency Domain Adaptation [48.265859815346985]
レーダー信号認識は電子戦(EW)において重要な役割を果たす近年のディープラーニングの進歩は、レーダー信号認識の改善に大きな可能性を示している。これらの手法は、注釈付き無線周波数(RF)データが少ない、あるいは入手できないEWシナリオでは不十分である。
論文参考訳（メタデータ） (2025-01-07T01:35:56Z)
RF Challenge: The Data-Driven Radio Frequency Signal Separation Challenge [66.33067693672696]
本稿では、深層学習手法を利用したデータ駆動手法を用いて、高周波信号における干渉拒否の重大な問題に対処する。本論文の主な貢献は、RF信号データセットであるRF Challengeの導入である。
論文参考訳（メタデータ） (2024-09-13T13:53:41Z)
RF-ULM: Ultrasound Localization Microscopy Learned from Radio-Frequency Wavefronts [7.652037892439504]
遅延とサムのビームフォーミングは、RF(Radio-Frequency)チャネルデータを不可逆的に減少させる。 RFウェーブフロントに埋め込まれたリッチなコンテキスト情報は、DNN(Deep Neural Networks)をローカライゼーションシナリオに挑戦する上で、非常に有望である。本稿では,学習した特徴チャネルシャッフル,非最大抑圧,半グローバル畳み込みブロックを用いて,RFチャネルデータ中の散乱体を直接ローカライズすることを提案する。
論文参考訳（メタデータ） (2023-10-02T18:41:23Z)
Radar Image Reconstruction from Raw ADC Data using Parametric Variational Autoencoder with Domain Adaptation [0.0]
本研究では,パラメータ制約付き変分オートエンコーダを提案し,レンジ角画像上でクラスタ化および局所化されたターゲット検出を生成する。実際のレーダデータを用いて可能なすべてのシナリオにおいて,提案するニューラルネットワークをトレーニングする問題を回避すべく,ドメイン適応戦略を提案する。
論文参考訳（メタデータ） (2022-05-30T16:17:36Z)
Toward Data-Driven STAP Radar [23.333816677794115]
我々は、時空間適応処理(STAP)レーダーに対するデータ駆動アプローチを特徴付ける。所定領域に可変強度のターゲットをランダムに配置することにより、受信レーダ信号の豊富なサンプルデータセットを生成する。この領域内の各データサンプルに対して、ビームフォーマの出力パワーのレンジ、方位、および上昇のヒートマップテンソルを生成する。空中に浮かぶシナリオでは、動くレーダーは、ビデオに似た、これらのタイムインデクシングされたイメージスタックのシーケンスを生成する。
論文参考訳（メタデータ） (2022-01-26T02:28:13Z)
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)
RF-Net: a Unified Meta-learning Framework for RF-enabled One-shot Human Activity Recognition [9.135311655929366]
デバイスフリー(または非接触)センシングは、デバイスベース(またはウェアラブル)センシングよりも環境変化に敏感である。 RF-HARの既存のソリューションは、新しい環境に適応するための努力的なデータ収集プロセスを必要とする。本稿では,1ショットのRF-HARに対するメタラーニングに基づくアプローチとしてRF-Netを提案する。
論文参考訳（メタデータ） (2021-10-29T01:58:29Z)

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。