論文の概要: (SP)$^2$-Net: A Neural Spatial Spectrum Method for DOA Estimation

• arxiv url: http://arxiv.org/abs/2509.15475v1
• Date: Thu, 18 Sep 2025 22:40:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-22 18:18:10.927549
• Title: (SP)$^2$-Net: A Neural Spatial Spectrum Method for DOA Estimation
• Title（参考訳）: (SP)$^2$-Net: DOA推定のためのニューラル空間スペクトル法
• Authors: Lioz Berman, Sharon Gannot, Tom Tirer,
• Abstract要約: 我々は、測定値と仮説角を入力として取り込むディープニューラルネットワークを訓練し、より広い配列の能力と整合したスコアを出力することを学ぶ。 推定時、任意の角度の集合を走査することでヒートマップを生成することができる。 本稿では,Bartlettビームフォーマとスポーサリティに基づくDOA推定法に対して,トレーニングモデルである (SP)$2$-Net の利点を実証する。
• 参考スコア（独自算出の注目度）: 23.946959192149027
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider the problem of estimating the directions of arrival (DOAs) of multiple sources from a single snapshot of an antenna array, a task with many practical applications. In such settings, the classical Bartlett beamformer is commonly used, as maximum likelihood estimation becomes impractical when the number of sources is unknown or large, and spectral methods based on the sample covariance are not applicable due to the lack of multiple snapshots. However, the accuracy and resolution of the Bartlett beamformer are fundamentally limited by the array aperture. In this paper, we propose a deep learning technique, comprising a novel architecture and training strategy, for generating a high-resolution spatial spectrum from a single snapshot. Specifically, we train a deep neural network that takes the measurements and a hypothesis angle as input and learns to output a score consistent with the capabilities of a much wider array. At inference time, a heatmap can be produced by scanning an arbitrary set of angles. We demonstrate the advantages of our trained model, named (SP)$^2$-Net, over the Bartlett beamformer and sparsity-based DOA estimation methods.
• Abstract（参考訳）: 本稿では,アンテナアレイの単一スナップショットから複数の音源の到着方向(DOA)を推定する問題を考える。 このような設定では、ソース数が未知または多ければ最大推定が不可能になるため、古典的なバートレットビームフォーマが一般的であり、サンプル共分散に基づくスペクトル法は多重スナップショットの欠如により適用できない。 しかし、Bartlettビームフォーマの精度と解像度は配列開口によって根本的に制限される。 本稿では,1枚のスナップショットから高分解能空間スペクトルを生成するための,新しいアーキテクチャとトレーニング戦略を含むディープラーニング手法を提案する。 具体的には、測定値と仮説角を入力とするディープニューラルネットワークをトレーニングし、より広い配列の能力と整合したスコアを出力することを学ぶ。 推定時、任意の角度の集合を走査することでヒートマップを生成することができる。 本稿では,Bartlettビームフォーマとスポーサリティに基づくDOA推定法に対して,(SP)$^2$-Netと命名されたトレーニングモデルの利点を実証する。

関連論文リスト

• One-Dimensional Deep Image Prior for Curve Fitting of S-Parameters from Electromagnetic Solvers [57.441926088870325]
  Deep Image Prior(ディープ・イメージ・プライオリ、ディープ・イメージ・プライオリ、DIP)は、ランダムなd畳み込みニューラルネットワークの重みを最適化し、ノイズや過度な測定値からの信号に適合させる技術である。 本稿では,Vector Fitting (VF) の実装に対して,ほぼすべてのテスト例において優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-06T20:28:37Z)
• Unsupervised Hyperspectral Pansharpening via Low-rank Diffusion Model [43.71116483554516]
  高分解能パノクロマトグラフィー (PAN) 画像と低分解能ハイパースペクトル (LRHS) 画像を融合して高分解能ハイパースペクトル (HRHS) 画像を生成する過程である。 既存のベイズをベースとしたHSパンシャーピング法では、画像の特徴を特徴づける前に手工業的なイメージを設計する必要がある。 本研究では,事前学習した深部拡散モデルのパワーとベイズ法の一般化能力を同時に活用し,高スペクトルパンシャルペンの低ランク拡散モデルを提案する。
  論文  参考訳（メタデータ） (2023-05-18T12:38:29Z)
• A Unified Algebraic Perspective on Lipschitz Neural Networks [88.14073994459586]
  本稿では,様々なタイプの1-Lipschitzニューラルネットワークを統一する新しい視点を提案する。 そこで本研究では,SDP(Common semidefinite Programming)条件の解析解を求めることによって,既存の多くの手法を導出し,一般化することができることを示す。 SDPベースのLipschitz Layers (SLL) と呼ばれる我々のアプローチは、非自明で効率的な凸ポテンシャル層の一般化を設計できる。
  論文  参考訳（メタデータ） (2023-03-06T14:31:09Z)
• MRDet: A Multi-Head Network for Accurate Oriented Object Detection in Aerial Images [51.227489316673484]
  水平アンカーから変換された指向性提案を生成するために、任意指向領域提案ネットワーク(AO-RPN)を提案する。 正確なバウンディングボックスを得るために,検出タスクを複数のサブタスクに分離し,マルチヘッドネットワークを提案する。 各ヘッドは、対応するタスクに最適な特徴を学習するために特別に設計されており、ネットワークがオブジェクトを正確に検出することができる。
  論文  参考訳（メタデータ） (2020-12-24T06:36:48Z)
• Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
  本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。 まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。 そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-25T14:00:18Z)
• Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
  我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。 我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。 私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
  論文  参考訳（メタデータ） (2020-11-17T12:52:18Z)
• Learning to Importance Sample in Primary Sample Space [22.98252856114423]
  本稿では,ニューラルネットワークを用いて,サンプルの集合に代表される所望密度からサンプルを抽出する方法を学習する,新たな重要サンプリング手法を提案する。 提案手法は, 様々なシナリオにおいて, 効果的な分散低減につながることを示す。
  論文  参考訳（メタデータ） (2018-08-23T16:55:53Z)

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。