論文の概要: Tracking without Seeing: Geospatial Inference using Encrypted Traffic from Distributed Nodes

• arxiv url: http://arxiv.org/abs/2603.27811v1
• Date: Sun, 29 Mar 2026 18:48:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.128008
• Title: Tracking without Seeing: Geospatial Inference using Encrypted Traffic from Distributed Nodes
• Title（参考訳）: 見ることなく追跡する:分散ノードからの暗号化トラフィックを用いた地理空間推論
• Authors: Sadik Yagiz Yetim, Gaofeng Dong, Isaac-Neil Zanoria, Ronit Barman, Maggie Wigness, Tarek Abdelzaher, Mani Srivastava, Suhas Diggavi,
• Abstract要約: 地理空間オブジェクト追跡を行う学習ベースのフレームワークであるGraySenseを紹介する。 GraySenseは生信号アクセスなしで2.33mの追尾誤差を達成できることを示す。 この能力は以前にも実証されておらず、センサーのための潜時信号の利用を拡大している。
• 参考スコア（独自算出の注目度）: 1.4870766416062038
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate observation of dynamic environments traditionally relies on synthesizing raw, signal-level information from multiple distributed sensors. This work investigates an alternative approach: performing geospatial inference using only encrypted packet-level information, without access to the raw sensory data. We further explore how this indirect information can be fused with directly available sensory data to extend overall inference capabilities. We introduce GraySense, a learning-based framework that performs geospatial object tracking by analyzing encrypted wireless video transmission traffic, such as packet sizes, from cameras with inaccessible streams. GraySense leverages the inherent relationship between scene dynamics and transmitted packet sizes to infer object motion. The framework consists of two stages: (1) a Packet Grouping module that identifies frame boundaries and estimates frame sizes from encrypted network traffic, and (2) a Tracker module, based on a Transformer encoder with a recurrent state, which fuses indirect packet-based inputs with optional direct camera-based inputs to estimate the object's position. Extensive experiments with realistic videos from the CARLA simulator and emulated networks under varying conditions show that GraySense achieves 2.33 meters tracking error (Euclidean distance) without raw signal access, within the dimensions of tracked objects (4.61m x 1.93m). To our knowledge, this capability has not been previously demonstrated, expanding the use of latent signals for sensing.
• Abstract（参考訳）: 動的環境の正確な観察は、伝統的に複数の分散センサーから生信号レベルの情報を合成することに依存している。 本研究は, 生のセンサデータにアクセスすることなく, 暗号化パケットレベル情報のみを用いて地理空間推論を行う方法について検討する。 さらに、この間接的な情報を、直接利用可能なセンサデータと融合して、全体の推論能力を拡張する方法について検討する。 パケットサイズなどの暗号化された無線ビデオ伝送トラフィックを、アクセス不能なストリームを持つカメラから解析することにより、地理空間オブジェクト追跡を行う学習ベースのフレームワークであるGraySenseを紹介する。 GraySenseはシーンダイナミクスと送信パケットサイズの関係を利用してオブジェクトの動きを推測する。 本フレームワークは,(1)フレーム境界を識別し,暗号化されたネットワークトラフィックからフレームサイズを推定するPacket Groupingモジュール,(2)トランスフォーマーエンコーダに基づくトラッカーモジュールの2段階から構成される。 CARLAシミュレータとエミュレートされたネットワークによる大規模な実験により、グレイセンスは追跡対象(4.61m x 1.93m)の範囲内で、生信号アクセスなしで2.33mの追跡誤差(ユークリッド距離)を達成した。 我々の知る限り、この能力は以前にも実証されておらず、センサーの潜在信号の利用を拡大している。

関連論文リスト

• TransBridge: Boost 3D Object Detection by Scene-Level Completion with Transformer Decoder [66.22997415145467]
  本稿では,スパース領域における検出機能を改善する共同補完・検出フレームワークを提案する。 具体的には,トランスブリッジ(TransBridge)を提案する。トランスブリッジ(TransBridge)はトランスフォーマーをベースとした新しいアップサンプリングブロックである。 その結果,本フレームワークは,各手法の平均精度(mAP)が0.7から1.5の範囲で,エンドツーエンドの3Dオブジェクト検出を一貫して改善していることがわかった。
  論文  参考訳（メタデータ） (2025-12-12T00:08:03Z)
• Exploring Efficient Open-Vocabulary Segmentation in the Remote Sensing [55.291219073365546]
  Open-Vocabulary Remote Sensing Image (OVRSIS)は、OVS(Open-Vocabulary)をリモートセンシング(RS)ドメインに適応させる新しいタスクである。 textbfRSKT-Segは、リモートセンシングに適した新しいオープン語彙セグメンテーションフレームワークである。 RSKT-Segは高いOVSベースラインを+3.8 mIoUと+5.9 mACCで上回り、効率的なアグリゲーションによって2倍高速な推論を実現している。
  論文  参考訳（メタデータ） (2025-09-15T15:24:49Z)
• S-LAM3D: Segmentation-Guided Monocular 3D Object Detection via Feature Space Fusion [0.0]
  モノクロ3Dオブジェクト検出は、使用する入力の性質のため、コンピュータビジョンの課題を表す。 本稿では,事前計算されたセグメンテーション情報を挿入し,特徴空間に直接ファインダをファインダに注入して検出を誘導する分離戦略を提案する。 提案手法はKITTI 3D Object Detection Benchmarkで評価され,RGB画像にのみ依存する等価なアーキテクチャをシーン内の小さなオブジェクトに対して実現している。
  論文  参考訳（メタデータ） (2025-09-07T10:14:56Z)
• Cross-domain Learning Framework for Tracking Users in RIS-aided Multi-band ISAC Systems with Sparse Labeled Data [55.70071704247794]
  統合センシング・通信(ISAC)は6G通信において重要であり、再構成可能なインテリジェントサーフェス(RIS)の急速な発展によって促進される 本稿では,複数の帯域にまたがるマルチモーダルCSIインジケータを協調的に活用し,クロスドメイン方式で追跡機能をモデル化するX2Trackフレームワークを提案する。 X2Trackの下では、トランスフォーマーニューラルネットワークと逆学習技術に基づいて、トラッキングエラーを最小限に抑える効率的なディープラーニングアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2024-05-10T08:04:27Z)
• SeMoLi: What Moves Together Belongs Together [51.72754014130369]
  動作手がかりに基づく半教師付き物体検出に挑戦する。 近年,移動物体の擬似ラベルインスタンスに対して,動きに基づくクラスタリング手法が適用可能であることが示唆された。 我々は、このアプローチを再考し、オブジェクト検出とモーションインスパイアされた擬似ラベルの両方が、データ駆動方式で取り組めることを示唆する。
  論文  参考訳（メタデータ） (2024-02-29T18:54:53Z)
• CRSOT: Cross-Resolution Object Tracking using Unaligned Frame and Event Cameras [43.699819213559515]
  既存のRGB-DVSトラッキング用のデータセットは、DVS346カメラで収集される。 我々は、特別に構築されたデータ取得システムを用いて収集された、最初の不整合フレームイベントデータセットCRSOTを構築した。 ゆるやかなRGBイベントデータを用いても、ロバストなトラッキングを実現することのできる、新しい非整列オブジェクト追跡フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-05T14:20:22Z)
• Classification-Aided Robust Multiple Target Tracking Using Neural Enhanced Message Passing [12.135800589264532]
  本稿では,レーダーセンサによる計測を用いて,強い乱雑な環境下で未知のターゲットを追跡するという課題に対処する。 まず,統合されたメッセージパッシングによって得られた信念を付加情報としてニューラルネットワークに入力する,新しい拡張メッセージパッシング手法を提案する。 本稿では,ニューラルネットワークを用いた分類支援型ロバストなマルチターゲット追跡アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-19T01:41:11Z)
• Dual Memory Aggregation Network for Event-Based Object Detection with Learnable Representation [79.02808071245634]
  イベントベースのカメラはバイオインスパイアされたセンサーで、各ピクセルの明るさ変化を非同期に捉える。 イベントストリームは、正極性と負極性の両方のためにx-y-t座標の格子に分割され、3次元テンソル表現として柱の集合が生成される。 長メモリは適応型convLSTMの隠れ状態に符号化され、短メモリはイベントピラー間の空間的時間的相関を計算することによってモデル化される。
  論文  参考訳（メタデータ） (2023-03-17T12:12:41Z)
• CXTrack: Improving 3D Point Cloud Tracking with Contextual Information [59.55870742072618]
  3Dオブジェクトトラッキングは、自律運転など、多くのアプリケーションにおいて重要な役割を果たす。 CXTrackは3次元オブジェクト追跡のためのトランスフォーマーベースのネットワークである。 CXTrackは29FPSで動作しながら最先端のトラッキング性能を実現する。
  論文  参考訳（メタデータ） (2022-11-12T11:29:01Z)
• YOdar: Uncertainty-based Sensor Fusion for Vehicle Detection with Camera and Radar Sensors [4.396860522241306]
  本稿では,カメラとレーダデータとのセンサ融合のための不確実性に基づく手法を提案する。 実験では、YOLOv3オブジェクト検出ネットワークと、カスタマイズされた1D$レーダセグメンテーションネットワークを組み合わせる。 実験の結果,この不確実性認識融合のアプローチは単一センサのベースラインに比べて性能が著しく向上することがわかった。
  論文  参考訳（メタデータ） (2020-10-07T10:40:02Z)

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。