論文の概要: RF-MatID: Dataset and Benchmark for Radio Frequency Material Identification
- arxiv url: http://arxiv.org/abs/2601.20377v2
- Date: Mon, 02 Feb 2026 08:31:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:40.975235
- Title: RF-MatID: Dataset and Benchmark for Radio Frequency Material Identification
- Title（参考訳）: RF-MatID: 高周波物質識別のためのデータセットとベンチマーク
- Authors: Xinyan Chen, Qinchun Li, Ruiqin Ma, Jiaqi Bai, Li Yi, Jianfei Yang,
- Abstract要約: RF-MatIDは, 大規模, 広帯域, 形状の異なるRFデータセットで, きめ細かい材料識別を行う。
RF-MatIDは5つのスーパークラスに分類され、広帯域帯は4～43.5GHz、周波数領域と時間領域の両方で142kのサンプルで構成されている。
- 参考スコア（独自算出の注目度）: 27.227118724475137
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Accurate material identification plays a crucial role in embodied AI systems, enabling a wide range of applications. However, current vision-based solutions are limited by the inherent constraints of optical sensors, while radio-frequency (RF) approaches, which can reveal intrinsic material properties, have received growing attention. Despite this progress, RF-based material identification remains hindered by the lack of large-scale public datasets and the limited benchmarking of learning-based approaches. In this work, we present RF-MatID, the first open-source, large-scale, wide-band, and geometry-diverse RF dataset for fine-grained material identification. RF-MatID includes 16 fine-grained categories grouped into 5 superclasses, spanning a broad frequency range from 4 to 43.5 GHz, and comprises 142k samples in both frequency- and time-domain representations. The dataset systematically incorporates controlled geometry perturbations, including variations in incidence angle and stand-off distance. We further establish a multi-setting, multi-protocol benchmark by evaluating state-of-the-art deep learning models, assessing both in-distribution performance and out-of-distribution robustness under cross-angle and cross-distance shifts. The 5 frequency-allocation protocols enable systematic frequency- and region-level analysis, thereby facilitating real-world deployment. RF-MatID aims to enable reproducible research, accelerate algorithmic advancement, foster cross-domain robustness, and support the development of real-world application in RF-based material identification.
- Abstract（参考訳）: 正確な物質識別は、AIシステムにおいて重要な役割を担い、幅広い応用を可能にしている。
しかし、現在の視覚ベースのソリューションは光センサの固有の制約によって制限されているのに対し、固有の材料特性を明らかにする無線周波数(RF)アプローチは注目されている。
この進歩にもかかわらず、RFベースの材料識別は、大規模な公開データセットの欠如と学習ベースのアプローチの限られたベンチマークによって妨げられている。
本研究では, RF-MatIDについて述べる。RF-MatIDは, 大規模, 広帯域, 形状の異なるRFデータセットで, きめ細かな材料識別を行う。
RF-MatIDは5つのスーパークラスに分類され、広帯域帯は4～43.5GHz、周波数領域と時間領域の両方で142kのサンプルで構成されている。
このデータセットには、入射角やスタンドオフ距離の変動を含む、制御された幾何学的摂動が体系的に組み込まれている。
我々はさらに、最先端のディープラーニングモデルを評価することでマルチセット・マルチプロトコール・ベンチマークを確立し、クロスアングルおよびクロス距離シフト下での分布内性能と分布外ロバスト性の両方を評価する。
5つの周波数割当プロトコルは、系統的な周波数レベルと領域レベルの分析を可能にし、現実世界の展開を容易にする。
RF-MatIDは、再現可能な研究を可能にし、アルゴリズムの進歩を加速し、ドメイン間の堅牢性を育成し、RFベースの物質識別における現実世界の応用の開発を支援することを目的としている。
関連論文リスト
- RF-GPT: Teaching AI to See the Wireless World [48.294819966466044]
大規模言語モデル(LLM)とマルチモーダルモデルは、強力な汎用推論システムとなっている。
RF-GPT(RF-GPT)は、マルチモーダルの視覚エンコーダを用いて、RFスペクトログラムの処理と理解を行う無線言語モデルである。
テキストのみのLLMは、これらのキャプションをRF地上の命令回答ペアに変換し、約12,000のRFシーンと2500万のサンプルを生成する。
論文 参考訳（メタデータ） (2026-02-16T15:24:56Z) - CageDroneRF: A Large-Scale RF Benchmark and Toolkit for Drone Perception [10.23151778679351]
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。
論文 参考訳（メタデータ） (2026-01-06T03:39:59Z) - Exploiting Radio Frequency Fingerprints for Device Identification: Tackling Cross-receiver Challenges in the Source-data-free Scenario [17.211137756661955]
本稿では、ソースレシーバからのラベル付き信号に事前学習されたモデルが、ターゲットレシーバからのラベルなし信号に適応しなければならない、ソースデータフリーなクロスレシーバRFFI問題を提案する。
我々は,運動量中心誘導型ソフト擬似ラベルを組み込んだSCRFFIの新しい手法であるMomentum Soft pseudo-label Source hypothesis Transfer (MS-SHOT)を提案する。
MS-SHOTは、精度とロバスト性の両方において既存のアプローチを一貫して上回り、RFFIにおけるソースデータフリーなクロスレシーバ適応のための実用的でスケーラブルなソリューションを提供する。
論文 参考訳（メタデータ） (2025-12-18T15:20:33Z) - RF Challenge: The Data-Driven Radio Frequency Signal Separation Challenge [66.33067693672696]
本稿では、深層学習手法を利用したデータ駆動手法を用いて、高周波信号における干渉拒否の重大な問題に対処する。
本論文の主な貢献は、RF信号データセットであるRF Challengeの導入である。
論文 参考訳（メタデータ） (2024-09-13T13:53:41Z) - Frequency-Aware Deepfake Detection: Improving Generalizability through
Frequency Space Learning [81.98675881423131]
この研究は、目に見えないディープフェイク画像を効果的に識別できるユニバーサルディープフェイク検出器を開発するという課題に対処する。
既存の周波数ベースのパラダイムは、偽造検出のためにGANパイプラインのアップサンプリング中に導入された周波数レベルのアーティファクトに依存している。
本稿では、周波数領域学習を中心にしたFreqNetと呼ばれる新しい周波数認識手法を導入し、ディープフェイク検出器の一般化性を高めることを目的とする。
論文 参考訳（メタデータ） (2024-03-12T01:28:00Z) - 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) - 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。