論文の概要: HSCP: A Two-Stage Spectral Clustering Framework for Resource-Constrained UAV Identification

• arxiv url: http://arxiv.org/abs/2512.08983v1
• Date: Fri, 05 Dec 2025 16:03:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-11 15:14:53.245062
• Title: HSCP: A Two-Stage Spectral Clustering Framework for Resource-Constrained UAV Identification
• Title（参考訳）: HSCP:資源制約型UAV識別のための2段階スペクトルクラスタリングフレームワーク
• Authors: Maoyu Wang, Yao Lu, Bo Zhou, Zhuangzhi Chen, Yun Lin, Qi Xuan, Guan Gui,
• Abstract要約: 本稿では,階層型スペクトルクラスタリング・プルーニングフレームワークHSCPを紹介する。 層プルーニングとチャネルプルーニングを組み合わせることで、極端な圧縮、高性能、効率的な推論を実現する。 UAV-M100ベンチマークの実験は、HSCPが既存のチャネルおよび層プルーニング法より優れていることを示した。
• 参考スコア（独自算出の注目度）: 16.880773405024126
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the rapid development of Unmanned Aerial Vehicles (UAVs) and the increasing complexity of low-altitude security threats, traditional UAV identification methods struggle to extract reliable signal features and meet real-time requirements in complex environments. Recently, deep learning based Radio Frequency Fingerprint Identification (RFFI) approaches have greatly improved recognition accuracy. However, their large model sizes and high computational demands hinder deployment on resource-constrained edge devices. While model pruning offers a general solution for complexity reduction, existing weight, channel, and layer pruning techniques struggle to concurrently optimize compression rate, hardware acceleration, and recognition accuracy. To this end, in this paper, we introduce HSCP, a Hierarchical Spectral Clustering Pruning framework that combines layer pruning with channel pruning to achieve extreme compression, high performance, and efficient inference. In the first stage, HSCP employs spectral clustering guided by Centered Kernel Alignment (CKA) to identify and remove redundant layers. Subsequently, the same strategy is applied to the channel dimension to eliminate a finer redundancy. To ensure robustness, we further employ a noise-robust fine-tuning strategy. Experiments on the UAV-M100 benchmark demonstrate that HSCP outperforms existing channel and layer pruning methods. Specifically, HSCP achieves $86.39\%$ parameter reduction and $84.44\%$ FLOPs reduction on ResNet18 while improving accuracy by $1.49\%$ compared to the unpruned baseline, and maintains superior robustness even in low signal-to-noise ratio environments.
• Abstract（参考訳）: 無人航空機(UAV)の急速な開発と低高度セキュリティ脅威の増大に伴い、従来のUAV識別手法は信頼性の高い信号の特徴を抽出し、複雑な環境でのリアルタイム要求を満たすのに苦労する。 近年,深層学習に基づくRFFI(Radio Frequency Fingerprint Identification)アプローチにより,認識精度が大幅に向上した。 しかし、その大きなモデルサイズと高い計算要求は、リソース制約されたエッジデバイスへの展開を妨げる。 モデルプルーニングは、複雑性の低減、既存の重み、チャネル、層プルーニングのテクニックは、圧縮率、ハードウェアアクセラレーション、認識精度を同時に最適化するのに苦労する。 本稿では,階層型スペクトルクラスタリング・プルーニング・フレームワークであるHSCPについて述べる。このフレームワークは,層プルーニングとチャネルプルーニングを組み合わせることで,極端な圧縮,高性能,効率的な推論を実現する。 最初の段階では、HSCPはCKA(Centered Kernel Alignment)によって導かれたスペクトルクラスタリングを使用して、冗長なレイヤを特定し、削除する。 その後、チャネル次元に同じ戦略を適用して、より微細な冗長性を除去する。 頑健性を確保するため,我々はさらにノイズロスの微調整戦略を採用する。 UAV-M100ベンチマークの実験は、HSCPが既存のチャネルおよび層プルーニング法より優れていることを示した。 具体的には、HSCPはResNet18のパラメータの削減に86.39\%、FLOPsの削減に84.44\%を達成し、未処理のベースラインと比較して精度を1.49\%向上させ、低信号対雑音比環境でも優れた堅牢性を維持する。

関連論文リスト

• SecDiff: Diffusion-Aided Secure Deep Joint Source-Channel Coding Against Adversarial Attacks [73.41290017870097]
  SecDiffは、プラグイン・アンド・プレイの拡散支援デコーディングフレームワークである。 対向無線環境下での深部JSCCの安全性と堅牢性を大幅に向上させる。
  論文  参考訳（メタデータ） (2025-11-03T11:24:06Z)
• Semantic Channel Equalization Strategies for Deep Joint Source-Channel Coding [8.967618587731694]
  ディープジョイント・ソース・チャネル・コーディング(DeepJSCC)は、エンドツーエンドのセマンティック・コミュニケーションの強力なパラダイムとして登場した。 既存のDeepJSCCスキームは送信機(TX)と受信機(RX)で共有潜在空間を仮定する。 このミスマッチは、"セマンティックノイズ"を導入し、再構築品質を劣化させ、下流タスクのパフォーマンスを低下させる。
  論文  参考訳（メタデータ） (2025-10-06T10:29:07Z)
• Lightweight Deep Unfolding Networks with Enhanced Robustness for Infrared Small Target Detection [18.422983137700392]
  L-RPCANetと呼ばれる堅牢な主成分分析(RPCA)に基づく軽量なフレームワークを提案する。 単一チャネル入力赤外線画像におけるチャネル次元を減少・増大させる階層的ボトルネック構造を構築する。 複素雑音に対するロバスト性を高めるため、ノイズ低減モジュールが組み込まれている。
  論文  参考訳（メタデータ） (2025-09-10T00:23:32Z)
• Large-Scale Model Enabled Semantic Communication Based on Robust Knowledge Distillation [45.347078403677216]
  大規模モデル(LSM)は意味表現と理解に有効なフレームワークである。 しかしながら、それらの直接的なデプロイメントは、しばしば高い計算複雑性とリソース要求によって妨げられる。 本稿では,新しい知識蒸留に基づくセマンティックコミュニケーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-04T07:47:18Z)
• A TRPCA-Inspired Deep Unfolding Network for Hyperspectral Image Denoising via Thresholded t-SVD and Top-K Sparse Transformer [20.17660504535571]
  本稿では,低ランクとスパースという2つの密に統合されたモジュール間のステージワイドな交互化を実現する新しいディープ展開ネットワーク(DU-TRPCA)を提案する。 合成および実世界のHSIの実験により、DU-TRPCAは高密度混合雑音下で最先端の手法を超越していることが示された。
  論文  参考訳（メタデータ） (2025-06-03T02:01:39Z)
• FCOS: A Two-Stage Recoverable Model Pruning Framework for Automatic Modulation Recognition [20.984813278551115]
  自動変調認識のためのファイン・ツー・コア2段階プルーニングフレームワーク 複数のAMRベンチマークの実験では、FCOSが既存のチャネルおよび層プルーニング法より優れていることが示されている。
  論文  参考訳（メタデータ） (2025-05-27T07:12:09Z)
• 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)
• Structured Sparsity Learning for Efficient Video Super-Resolution [99.1632164448236]
  我々は、ビデオ超解像(VSR)モデルの特性に応じて、構造化スパシティ学習(SSL)と呼ばれる構造化プルーニング手法を開発する。 SSLでは,残差ブロック,リカレントネットワーク,アップサンプリングネットワークなど,VSRモデルのいくつかの重要なコンポーネントに対するプルーニングスキームを設計する。
  論文  参考訳（メタデータ） (2022-06-15T17:36:04Z)
• CATRO: Channel Pruning via Class-Aware Trace Ratio Optimization [61.71504948770445]
  本稿では,CATRO (Class-Aware Trace Ratio Optimization) を用いた新しいチャネルプルーニング手法を提案する。 CATROは、他の最先端チャネルプルーニングアルゴリズムと同等の精度で、同様のコストまたは低コストで高い精度を達成できることを示す。 CATROは、クラス認識の特性のため、様々な分類サブタスクに適応的に効率の良いネットワークを創り出すのに適している。
  論文  参考訳（メタデータ） (2021-10-21T06:26:31Z)
• Discrimination-aware Network Pruning for Deep Model Compression [79.44318503847136]
  既存のプルーニング手法は、スクラッチからスパーシティ制約で訓練するか、事前訓練されたモデルと圧縮されたモデルの特徴マップ間の再構成誤差を最小限に抑えるかのいずれかである。 本稿では,識別能力に実際に寄与するチャネルを選択するために,識別認識チャネルプルーニング (DCP) と呼ばれる簡便な手法を提案する。 画像分類と顔認識の両方の実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-01-04T07:07:41Z)

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。