論文の概要: CageDroneRF: A Large-Scale RF Benchmark and Toolkit for Drone Perception

• arxiv url: http://arxiv.org/abs/2601.03302v1
• Date: Tue, 06 Jan 2026 03:39:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-08 18:12:46.038798
• Title: CageDroneRF: A Large-Scale RF Benchmark and Toolkit for Drone Perception
• Title（参考訳）: CageDroneRF: ドローン認識のための大規模RFベンチマークとツールキット
• Authors: Mohammad Rostami, Atik Faysal, Hongtao Xia, Hadi Kasasbeh, Ziang Gao, Huaxia Wang,
• Abstract要約: CageDroneRF (CDRF) は、無線周波数(RF)ドローンの検出と識別のための大規模なベンチマークである。 CDRFは既存のRFデータセットの不足と限られた多様性に対処する。 このデータセットは、さまざまな現代のドローンモデルにまたがる。
• 参考スコア（独自算出の注目度）: 10.23151778679351
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We present CageDroneRF (CDRF), a large-scale benchmark for Radio-Frequency (RF) drone detection and identification built from real-world captures and systematically generated synthetic variants. CDRF addresses the scarcity and limited diversity of existing RF datasets by coupling extensive raw recordings with a principled augmentation pipeline that (i) precisely controls Signal-to-Noise Ratio (SNR), (ii) injects interfering emitters, and (iii) applies frequency shifts with label-consistent bounding-box transformations for detection. This dataset spans a wide range of contemporary drone models, many unavailable in current public datasets, and acquisition conditions, derived from data collected at the Rowan University campus and within a controlled RF-cage facility. CDRF is released with interoperable open-source tools for data generation, preprocessing, augmentation, and evaluation that also operate on existing public benchmarks. CDRF enables standardized benchmarking for classification, open-set recognition, and object detection, supporting rigorous comparisons and reproducible pipelines. By releasing this comprehensive benchmark and tooling, CDRF aims to accelerate progress toward robust, generalizable RF perception models.
• Abstract（参考訳）: CageDroneRF(CageDroneRF、CDRF)は、実世界の撮影から構築された無線周波数(RF)ドローンの検出と識別のための大規模なベンチマークであり、体系的に生成された合成変種である。 CDRFは、広範囲の生記録と原理的な拡張パイプラインを結合することにより、既存のRFデータセットの不足と限られた多様性に対処する。 (i)SNR(Signal-to-Noise Ratio)を正確に制御する。 (二)干渉エミッターを注入し、 (iii) 検出にはラベル一貫性のある境界箱変換を用いた周波数シフトを適用する。 このデータセットは、ロワン大学のキャンパスや制御されたRFケージ施設で収集されたデータから得られる、現在のパブリックデータセットや取得条件で利用できない、さまざまな現代のドローンモデルにまたがる。 CDRFは、既存の公開ベンチマークで動作するデータ生成、前処理、拡張、評価のための相互運用可能なオープンソースツールとともにリリースされた。 CDRFは、分類、オープンセット認識、オブジェクト検出のための標準化されたベンチマークを可能にし、厳密な比較と再現可能なパイプラインをサポートする。 この包括的なベンチマークとツールをリリースすることにより、CDRFは堅牢で一般化可能なRF知覚モデルへの進歩を加速することを目指している。

関連論文リスト

• RFUAV: A Benchmark Dataset for Unmanned Aerial Vehicle Detection and Identification [6.838837917253087]
  RFUAVは、無線周波数に基づく無人航空機(UAV)の識別のための新しいベンチマークデータセットである。 RFUAVは、37個の異なるUAVから収集された生の周波数データの約1.3TBである。
  論文  参考訳（メタデータ） (2025-03-12T03:46:09Z)
• Rydberg Atomic Quantum Receivers for Classical Wireless Communications and Sensing: Their Models and Performance [78.76421728334013]
  ライドバーグ原子量子受信機(Rydberg atomic quantum receivers, RAQRs)は、高周波(RF)信号の電界を検出するための卓越した溶液である。 本稿では,無線コミュニティに対して,エンドツーエンドの受信方式を提示することでRAQRを導入する。 次に,現実的な受信フローに依存する等価なベースバンド信号モデルを開発する。
  論文  参考訳（メタデータ） (2024-12-07T06:25:54Z)
• Deep-Learned Compression for Radio-Frequency Signal Classification [0.49109372384514843]
  次世代の細胞概念は、大量の高周波サンプルの処理に依存している。 RF信号の複雑な値のサンプルを圧縮する深層学習圧縮モデルHQARFを提案する。 RF信号の変調クラスを推定するために訓練されたAIモデルの性能に対するHQARFの効果を評価する。
  論文  参考訳（メタデータ） (2024-03-05T17:42:39Z)
• Uncertainty-Aware Source-Free Adaptive Image Super-Resolution with Wavelet Augmentation Transformer [60.31021888394358]
  Unsupervised Domain Adaptation (UDA)は、現実世界の超解像(SR)における領域ギャップ問題に効果的に対処できる 本稿では,画像SR(SODA-SR)のためのSOurce-free Domain Adaptationフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-31T03:14:44Z)
• One-shot Generative Distribution Matching for Augmented RF-based UAV Identification [0.0]
  この研究は、限られたRF環境下でRFフィンガープリントを用いて無人航空機(UAV)を特定するという課題に対処する。 RF信号の複雑さと可変性は、環境干渉やハードウェアの不完全性の影響を受け、従来のRFベースの識別手法を効果的にしないことが多い。 変換されたRF信号を増強するためのワンショット生成法は、UAV識別を著しく改善する。
  論文  参考訳（メタデータ） (2023-01-20T02:35:43Z)
• 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)
• 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)
• Spectro-Temporal RF Identification using Deep Learning [3.8137985834223507]
  WRISTは、分光時間検出、フレームワーク、システムを備えた広帯域リアルタイムRF識別システムである。 得られたディープラーニングモデルは、時間と周波数のRF放射を検出し、分類し、正確に検出することができる。 WRIST検出器は、野生の非常に密集した環境でも平均的な平均精度が90に達する。
  論文  参考訳（メタデータ） (2021-07-11T19:02:07Z)

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。