論文の概要: Comprehensive Deployment-Oriented Assessment for Cross-Environment Generalization in Deep Learning-Based mmWave Radar Sensing

• arxiv url: http://arxiv.org/abs/2512.13018v1
• Date: Mon, 15 Dec 2025 06:29:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.556326
• Title: Comprehensive Deployment-Oriented Assessment for Cross-Environment Generalization in Deep Learning-Based mmWave Radar Sensing
• Title（参考訳）: 深層学習に基づくミリ波レーダセンシングにおけるクロス環境一般化のための総合的展開指向評価
• Authors: Tomoya Tanaka, Tomonori Ikeda, Ryo Yonemoto,
• Abstract要約: 本研究では,周波数変調連続波(FMCW)マルチインプットマルチアウトプット(MIMO)レーダを用いた屋内環境における計数に着目する。 本稿では,振幅に基づく統計的前処理(シグモイド重み付けとしきい値ゼロ化),周波数領域フィルタリング,オートエンコーダに基づく背景抑圧,データ拡張戦略,転送学習など,幅広いアプローチについて検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study presents the first comprehensive evaluation of spatial generalization techniques, which are essential for the practical deployment of deep learning-based radio-frequency (RF) sensing. Focusing on people counting in indoor environments using frequency-modulated continuous-wave (FMCW) multiple-input multiple-output (MIMO) radar, we systematically investigate a broad set of approaches, including amplitude-based statistical preprocessing (sigmoid weighting and threshold zeroing), frequency-domain filtering, autoencoder-based background suppression, data augmentation strategies, and transfer learning. Experimental results collected across two environments with different layouts demonstrate that sigmoid-based amplitude weighting consistently achieves superior cross-environment performance, yielding 50.1% and 55.2% reductions in root-mean-square error (RMSE) and mean absolute error (MAE), respectively, compared with baseline methods. Data augmentation provides additional though modest benefits, with improvements up to 8.8% in MAE. By contrast, transfer learning proves indispensable for large spatial shifts, achieving 82.1% and 91.3% reductions in RMSE and MAE, respectively, with 540 target-domain samples. Taken together, these findings establish a highly practical direction for developing radar sensing systems capable of maintaining robust accuracy under spatial variations by integrating deep learning models with amplitude-based preprocessing and efficient transfer learning.
• Abstract（参考訳）: 本研究では,深層学習に基づく無線周波数センサ(RF)の実用化に不可欠な空間一般化手法の総合評価を行った。 周波数変調型連続波(FMCW)マルチインプット・マルチアウトプット(MIMO)レーダを用いて,室内環境に計数する人々に着目し,振幅に基づく統計前処理(シグモイド重み付けと閾値ゼロ化),周波数領域フィルタリング,オートエンコーダによる背景抑圧,データ拡張戦略,転送学習など,幅広いアプローチを体系的に検討した。 異なるレイアウトの2つの環境で収集された実験結果から,シグモイドの振幅重み付けは根平均二乗誤差 (RMSE) と平均絶対誤差 (MAE) をそれぞれ50.1%, 55.2%削減し, 優れたクロス環境性能が得られることが示された。 データ拡張は、MAEの最大8.8%の改善とともに、控えめなメリットを提供する。 一方、転写学習は大きな空間シフトには不可欠であることが証明され、RMSEとMAEのそれぞれ82.1%と91.3%が減少し、540のターゲットドメインサンプルが得られた。 これらの知見は, 深層学習モデルと振幅に基づく事前処理と効率的な伝達学習を組み合わせることにより, 空間変動下での堅牢な精度を維持することのできるレーダセンシングシステムの開発のための, 極めて実用的な方向を確立した。

関連論文リスト

• SpectrumFM: A Foundation Model for Intelligent Spectrum Management [99.08036558911242]
  既存のインテリジェントスペクトル管理手法は、通常は小規模モデルに基づいており、認識精度、収束速度、一般化の顕著な制限に悩まされている。 本稿では、スペクトルFMと呼ばれる新しいスペクトル基盤モデルを提案し、スペクトル管理のための新しいパラダイムを確立する。 実験により、SpectrumFMは精度、堅牢性、適応性、少数ショット学習効率、収束速度の点で優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-05-02T04:06:39Z)
• Exploring FMCW Radars and Feature Maps for Activity Recognition: A Benchmark Study [2.251010251400407]
  本研究では、人間の活動認識のための周波数変調連続波レーダに基づくフレームワークを提案する。 特徴写像を画像として処理する従来の手法とは異なり、本研究では多次元特徴写像をデータベクトルとして与える。 ConvLSTMモデルは従来の機械学習およびディープラーニングモデルよりも優れ、精度は90.51%に達した。
  論文  参考訳（メタデータ） (2025-03-07T17:53:29Z)
• Ensemble learning for uncertainty estimation with application to the correction of satellite precipitation products [3.8623569699070353]
  そこで我々は,9つの定量値に基づくアンサンブル学習装置を導入し,降水データセット作成のギャップに対処する。 提案手法は, 衛星の降水量から予測器の数を削減し, 特徴工学的手法を取り入れたものである。 QRとQRNNのアンサンブル学習は、0.025から0.975までの様々な研究された量子レベルで最高の結果をもたらし、基準法を3.91%から8.95%に上回った。
  論文  参考訳（メタデータ） (2024-03-14T17:45:56Z)
• Spanning Training Progress: Temporal Dual-Depth Scoring (TDDS) for Enhanced Dataset Pruning [50.809769498312434]
  我々は、時間的デュアルディープス・スコーリング(TDDS)と呼ばれる新しいデータセット・プルーニング手法を提案する。 本手法は,10%のトレーニングデータで54.51%の精度を達成し,ランダム選択を7.83%以上,他の比較手法を12.69%以上上回る結果を得た。
  論文  参考訳（メタデータ） (2023-11-22T03:45:30Z)
• HFedMS: Heterogeneous Federated Learning with Memorable Data Semantics in Industrial Metaverse [49.1501082763252]
  本稿では,新しい産業メタバースに実用FLを取り入れたHFEDMSを提案する。 動的グルーピングとトレーニングモード変換によってデータの均一性を低下させる。 そして、圧縮された履歴データセマンティクスを融合することで、忘れられた知識を補う。 ストリームされた非I.d.FEMNISTデータセットに対して,368個のシミュレーションデバイスを用いて実験を行った。
  論文  参考訳（メタデータ） (2022-11-07T04:33:24Z)
• Disentangled Representation Learning for RF Fingerprint Extraction under Unknown Channel Statistics [77.13542705329328]
  本稿では,まず,不整合表現学習(DRL)の枠組みを提案し,入力信号を逆学習によりデバイス関連成分とデバイス関連成分に分解する。 提案フレームワークにおける暗黙的なデータ拡張は、デバイス非関連チャネル統計の過度な適合を避けるために、RFF抽出器に正規化を課す。 実験により、DR-RFFと呼ばれる提案手法は、未知の複雑な伝播環境に対する一般化可能性の観点から従来の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-08-04T15:46:48Z)
• Mixing Signals: Data Augmentation Approach for Deep Learning Based Modulation Recognition [5.816418334578875]
  無線信号のAMRに対する混合信号に基づくデータ拡張戦略を提案する。 実験の結果,提案手法は深層学習に基づくAMRモデルの分類精度を向上させることができることがわかった。
  論文  参考訳（メタデータ） (2022-04-05T07:40:16Z)
• Semantic Perturbations with Normalizing Flows for Improved Generalization [62.998818375912506]
  我々は、非教師付きデータ拡張を定義するために、潜在空間における摂動が利用できることを示す。 トレーニングを通して分類器に適応する潜伏性対向性摂動が最も効果的であることが判明した。
  論文  参考訳（メタデータ） (2021-08-18T03:20:00Z)
• Scalable End-to-End RF Classification: A Case Study on Undersized Dataset Regularization by Convolutional-MST [0.0]
  マルチステージトレーニングに基づく新たな深層学習手法を提案し、RFセンシング信号分類について実証する。 トレーニングでは,最大17種類のクラスに対して,最大99%の精度を継続的に達成し,標準のDLアプローチよりも最大35%の精度向上を実現した。
  論文  参考訳（メタデータ） (2021-04-25T08:41:52Z)

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。