論文の概要: AIMC-Spec: A Benchmark Dataset for Automatic Intrapulse Modulation Classification under Variable Noise Conditions

• arxiv url: http://arxiv.org/abs/2601.08265v1
• Date: Tue, 13 Jan 2026 06:42:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-14 18:27:19.086426
• Title: AIMC-Spec: A Benchmark Dataset for Automatic Intrapulse Modulation Classification under Variable Noise Conditions
• Title（参考訳）: AIMC-Spec:可変騒音条件下での自動インパルス変調分類のためのベンチマークデータセット
• Authors: Sebastian L. Cocks, Salvador Dreo, Feras Dayoub,
• Abstract要約: 本稿では、スペクトログラムに基づく画像分類のための総合的な合成データセットであるAIMC-Specを紹介する。 5つの代表的なディープラーニングアルゴリズムを再実装し、統一的な入力形式で評価した。 その結果、周波数変調(FM)信号は位相やハイブリッドタイプよりも確実に分類された。
• 参考スコア（独自算出の注目度）: 4.448748938342291
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A lack of standardized datasets has long hindered progress in automatic intrapulse modulation classification (AIMC) - a critical task in radar signal analysis for electronic support systems, particularly under noisy or degraded conditions. AIMC seeks to identify the modulation type embedded within a single radar pulse from its complex in-phase and quadrature (I/Q) representation, enabling automated interpretation of intrapulse structure. This paper introduces AIMC-Spec, a comprehensive synthetic dataset for spectrogram-based image classification, encompassing 33 modulation types across 13 signal-to-noise ratio (SNR) levels. To benchmark AIMC-Spec, five representative deep learning algorithms - ranging from lightweight CNNs and denoising architectures to transformer-based networks - were re-implemented and evaluated under a unified input format. The results reveal significant performance variation, with frequency-modulated (FM) signals classified more reliably than phase or hybrid types, particularly at low SNRs. A focused FM-only test further highlights how modulation type and network architecture influence classifier robustness. AIMC-Spec establishes a reproducible baseline and provides a foundation for future research and standardization in the AIMC domain.
• Abstract（参考訳）: 標準化されたデータセットの欠如は、特にノイズや劣化した条件下で、電子支援システムのレーダー信号分析において重要なタスクである自動インパルス変調分類(AIMC)の進歩を長い間妨げてきた。 AIMCは、複雑な内部フェーズと二次(I/Q)表現から単一のレーダーパルス内に埋め込まれた変調タイプを特定し、イントラパルス構造の自動解釈を可能にする。 本稿では,スペクトログラムに基づく画像分類のための総合的な合成データセットであるAIMC-Specについて紹介する。 AIMC-Specをベンチマークするために、軽量CNNやデノイングアーキテクチャからトランスフォーマーベースのネットワークまで、5つの代表的なディープラーニングアルゴリズムが再実装され、統一された入力フォーマットで評価された。 その結果,周波数変調(FM)信号は,特に低SNRにおいて,位相やハイブリッドタイプよりも確実に分類されることが明らかとなった。 FMのみのテストでは、変調型とネットワークアーキテクチャが分類器の堅牢性にどのように影響するかが強調されている。 AIMC-Specは再現可能なベースラインを確立し、AIMCドメインにおける将来の研究と標準化の基礎を提供する。

関連論文リスト

• FAIM: Frequency-Aware Interactive Mamba for Time Series Classification [87.84511960413715]
  時系列分類(TSC)は、環境モニタリング、診断、姿勢認識など、多くの実世界の応用において重要である。 本稿では,周波数対応対話型マンバモデルであるFAIMを提案する。 FAIMは既存の最先端(SOTA)手法を一貫して上回り、精度と効率のトレードオフが優れていることを示す。
  論文  参考訳（メタデータ） (2025-11-26T08:36:33Z)
• CNN-LSTM Hybrid Architecture for Over-the-Air Automatic Modulation Classification Using SDR [0.6999740786886536]
  本稿では,CNN(Cybrid Convolutional Neural Network)とLSTM(Long Short-Term Memory)アーキテクチャに基づくAMCシステムを提案する。 提案アーキテクチャでは,空間的特徴抽出にCNN,時間的依存関係のキャプチャにLSTMを利用する。 このシステムの実用能力は、他の変調方式と並行して、カスタムメイドのFM送信機からOTA(Over-the-air)信号を特定することで実証された。
  論文  参考訳（メタデータ） (2025-11-26T04:16:54Z)
• Frequency-Domain Decomposition and Recomposition for Robust Audio-Visual Segmentation [60.9960601057956]
  本稿では2つの主要なモジュールからなる周波数対応オーディオ・ビジュアルコンポスタ(FAVS)フレームワークを紹介する。 FAVSフレームワークは、3つのベンチマークデータセットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-09-23T12:33:48Z)
• DenoMAE: A Multimodal Autoencoder for Denoising Modulation Signals [21.25974800554959]
  デノマエ(DenoMAE)は、プレトレーニング中に変調信号を復調するための新しいフレームワークである。 ノイズを含む複数の入力モダリティを組み込んで、クロスモーダル学習を強化する。 自動変調分類タスクにおける最先端の精度を実現する。
  論文  参考訳（メタデータ） (2025-01-20T15:23:16Z)
• You Only Train Once: A Unified Framework for Both Full-Reference and No-Reference Image Quality Assessment [45.62136459502005]
  本稿では,完全な参照 (FR) と非参照 (NR) IQA を行うネットワークを提案する。 まず、入力画像から多レベル特徴を抽出するためにエンコーダを用いる。 FRおよびNR入力のユニバーサルアダプタとして階層的注意(HA)モジュールを提案する。 エンコーダの浅い層と深い層との間の特徴相関を調べるために, セマンティック・ディストーション・アウェア (SDA) モジュールを提案する。
  論文  参考訳（メタデータ） (2023-10-14T11:03:04Z)
• Multi-task Learning for Radar Signal Characterisation [48.265859815346985]
  本稿では,マルチタスク学習(MTL)問題として,レーダ信号の分類と特徴化に取り組むためのアプローチを提案する。 本稿では,複数のレグレッションタスクと分類タスクを同時最適化するIQST(IQ Signal Transformer)を提案する。 合成レーダデータセット上で提案したMTLモデルの性能を示すとともに,レーダ信号の特徴付けのための一級ベンチマークも提供する。
  論文  参考訳（メタデータ） (2023-06-19T12:01:28Z)
• Automatic Modulation Classification with Deep Neural Networks [0.0]
  その結果,拡張畳み込み,統計プール,圧縮・励起ユニットの組み合わせが最強性能分類器となることがわかった。 さらに、この最高の演奏者は、短い信号バースト、一般的な誤分類、異なる変調カテゴリーやモードでの演奏など、様々な基準で調べる。
  論文  参考訳（メタデータ） (2023-01-27T15:16:06Z)
• Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access [65.21117658030235]
  本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。 MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。 その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
  論文  参考訳（メタデータ） (2022-05-02T12:23:55Z)
• Ensemble Wrapper Subsampling for Deep Modulation Classification [70.91089216571035]
  受信した無線信号のサブサンプリングは、ハードウェア要件と信号処理アルゴリズムの計算コストを緩和するために重要である。 本稿では,無線通信システムにおけるディープラーニングを用いた自動変調分類のためのサブサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2020-05-10T06:11:13Z)
• Time-Frequency Analysis based Blind Modulation Classification for Multiple-Antenna Systems [6.011027400738812]
  ブラインド変調分類は、認知無線ネットワークを実装するための重要なステップである。 マルチインプット・マルチアウトプット(MIMO)技術は、軍事や民間の通信システムで広く使われている。 これらのシナリオでは、従来の可能性ベースのアプローチや特徴ベースのアプローチは適用できない。
  論文  参考訳（メタデータ） (2020-04-01T12:27:29Z)

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。