Fugu-MT 論文翻訳(概要): Latent-space metrics for Complex-Valued VAE out-of-distribution detection under radar clutter

論文の概要: Latent-space metrics for Complex-Valued VAE out-of-distribution detection under radar clutter

arxiv url: http://arxiv.org/abs/2511.19805v1
Date: Tue, 25 Nov 2025 00:20:04 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-26 17:37:04.212998
Title: Latent-space metrics for Complex-Valued VAE out-of-distribution detection under radar clutter
Title（参考訳）: レーダクラッタによる複合価値VAE分布検出のための潜時空間計測
Authors: Y. A. Rouzoumka, E. Terreaux, C. Morisseau, J. -P. Ovarlez, C. Ren,
Abstract要約: 複雑なレーダ環境におけるOF-Distribution(OOD)検出のための複雑な値付き変分オートエンコーダ(CVAE)について検討する。 CVAE(CVAE-MSE)の復元誤差(Mahalanobis, Kullback-Leibler divergence(KLD))とANMF-Tyler検出器(ANMF-FP)との比較を行った。これらの検出器の性能は、合成および実験レーダーデータに基づいて分析され、それぞれの検出器の利点と弱点を示している。
参考スコア（独自算出の注目度）: 1.0439136407307046
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We investigate complex-valued Variational AutoEncoders (CVAE) for radar Out-Of-Distribution (OOD) detection in complex radar environments. We proposed several detection metrics: the reconstruction error of CVAE (CVAE-MSE), the latent-based scores (Mahalanobis, Kullback-Leibler divergence (KLD)), and compared their performance against the classical ANMF-Tyler detector (ANMF-FP). The performance of all these detectors is analyzed on synthetic and experimental radar data, showing the advantages and the weaknesses of each detector.
Abstract（参考訳）: 複雑なレーダ環境におけるOF-Distribution(OOD)検出のための複雑な値付き変分オートエンコーダ(CVAE)について検討する。 CVAE(CVAE-MSE)の復元誤差(Mahalanobis,Kullback-Leibler divergence(KLD))と,ANMF-Tyler検出器(ANMF-FP)との比較を行った。これらの検出器の性能は、合成および実験レーダーデータに基づいて分析され、それぞれの検出器の利点と弱点を示している。

関連論文リスト

Out-of-Distribution Radar Detection in Compound Clutter and Thermal Noise through Variational Autoencoders [0.0]
本稿では,変分オートエンコーダ(VAE)を用いた新しいレーダー目標検出手法を提案する。複雑な分布を学習し、分布外サンプルを識別できることで知られ、提案されたVAEアーキテクチャは、レーダーターゲットと様々なノイズタイプを効果的に区別する。
論文参考訳（メタデータ） (2025-03-06T09:38:14Z)
Renormalized Connection for Scale-preferred Object Detection in Satellite Imagery [51.83786195178233]
我々は、効率的な特徴抽出の観点から再正規化群理論を実装するために、知識発見ネットワーク(KDN)を設計する。 KDN上の再正規化接続(RC)は、マルチスケール特徴の「相乗的焦点」を可能にする。 RCはFPNベースの検出器のマルチレベル特徴の分割・対数機構を幅広いスケールで予測されたタスクに拡張する。
論文参考訳（メタデータ） (2024-09-09T13:56:22Z)
Efficient Meta-Learning Enabled Lightweight Multiscale Few-Shot Object Detection in Remote Sensing Images [15.12889076965307]
YOLOv7ワンステージ検出器は、新しいメタラーニングトレーニングフレームワークが組み込まれている。この変換により、検出器はFSODのタスクに十分対応できると同時に、その固有の軽量化の利点を活かすことができる。提案検出器の有効性を検証するため, 現状の検出器と性能比較を行った。
論文参考訳（メタデータ） (2024-04-29T04:56:52Z)
Multimodal Dataset from Harsh Sub-Terranean Environment with Aerosol Particles for Frontier Exploration [55.41644538483948]
本稿では, エアロゾル粒子を用いた過酷で非構造的な地下環境からのマルチモーダルデータセットを提案する。ロボットオペレーティング・システム(ROS)フォーマットのすべてのオンボードセンサーから、同期された生データ計測を含んでいる。本研究の焦点は、時間的・空間的なデータの多様性を捉えることだけでなく、取得したデータに厳しい条件が及ぼす影響を示すことである。
論文参考訳（メタデータ） (2023-04-27T20:21:18Z)
ODAM: Gradient-based instance-specific visual explanations for object detection [51.476702316759635]
勾配重み付き物体検出器活性化マップ(ODAM) ODAMは、各予測属性に対する検出器の決定に対する領域の影響を示す熱マップを生成する。そこで本研究では,重複検出対象を識別するために,各予測に対してモデルの説明情報を考慮したOdam-NMSを提案する。
論文参考訳（メタデータ） (2023-04-13T09:20:26Z)
Identifying Coordination in a Cognitive Radar Network -- A Multi-Objective Inverse Reinforcement Learning Approach [30.65529797672378]
本稿では,レーダ間のコーディネーションを検出するために,新しい多目的逆強化学習手法を提案する。また、多目的最適化システムの逆検出と学習に関するより一般的な問題にも適用できる。
論文参考訳（メタデータ） (2022-11-13T17:27:39Z)
DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文参考訳（メタデータ） (2021-09-08T14:07:55Z)
Automotive Radar Interference Mitigation with Unfolded Robust PCA based on Residual Overcomplete Auto-Encoder Blocks [88.46770122522697]
自律走行では、レーダーシステムは道路上の他の車両のような標的を検出する上で重要な役割を果たす。自動車用レーダー干渉緩和のための深層学習手法は、目標の振幅を確実に推定できるが、それぞれの目標の位相を回復できない。干渉の有無で振幅と位相の両方を推定できる効率的かつ効率的な手法を提案する。
論文参考訳（メタデータ） (2020-10-14T09:41:06Z)
Depth Estimation from Monocular Images and Sparse Radar Data [93.70524512061318]
本稿では,ディープニューラルネットワークを用いた単眼画像とレーダ点の融合により,より正確な深度推定を実現する可能性を検討する。レーダ測定で発生するノイズが,既存の融合法の適用を妨げている主要な理由の1つであることが判明した。実験はnuScenesデータセット上で行われ、カメラ、レーダー、LiDARの記録を様々な場面と気象条件で記録する最初のデータセットの1つである。
論文参考訳（メタデータ） (2020-09-30T19:01:33Z)

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。