論文の概要: Semantically Annotated Multimodal Dataset for RF Interpretation and Prediction

• arxiv url: http://arxiv.org/abs/2604.01433v1
• Date: Wed, 01 Apr 2026 22:18:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:10.079055
• Title: Semantically Annotated Multimodal Dataset for RF Interpretation and Prediction
• Title（参考訳）: RF解釈・予測のための意味的アノテーション付きマルチモーダルデータセット
• Authors: Steve Blandino, Jelena Senic, Raied Caromi, Samuel Berweger, Anuraag Bodi, Camillo Gentile, Nada Golmie,
• Abstract要約: 無線モデリングとRF(Radio frequency)ベースのAIの現在の制限は、RF信号を物理的な環境に接続する高品質な計測ベースのデータセットの欠如によって引き起こされている。 本稿では,RF計測と高分解能カメラやライダーなどの補助的モダリティを組み合わせることで,RF信号と物理的原因とのギャップを埋める新しいマルチモーダルデータセットを提案する。
• 参考スコア（独自算出の注目度）: 4.872063946977515
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Current limitations in wireless modeling and radio frequency (RF)-based AI are primarily driven by a lack of high-quality, measurement-based datasets that connect RF signals to their physical environments. RF heatmaps, the typical form of such data, are high-dimensional and complex but lack the geometric and semantic context needed for interpretation, constraining the development of supervised machine learning models. To address this bottleneck, we propose a new class of multimodal datasets that combines RF measurements with auxiliary modalities like high-resolution cameras and lidar to bridge the gap between RF signals and their physical causes. The proposed data collection will span diverse indoor and outdoor environments, featuring both static and dynamic scenarios, including human activities ranging from walking to subtle gestures. By achieving precise spatial and temporal co-registration and creating digital replicas for voxel-level annotation, this dataset will enable transformative AI research. Key tasks include the forward problem of predicting RF heatmaps from visual data to revolutionize wireless system design, and the inverse problem of inferring scene semantics from RF signals, creating a new form of RF-based perception.
• Abstract（参考訳）: 無線モデリングとRF(Radio frequency)ベースのAIの現在の制限は、RF信号を物理的な環境に接続する高品質な計測ベースのデータセットが欠如していることに起因している。 このようなデータの典型的な形式であるRFヒートマップは高次元で複雑であるが、解釈に必要な幾何学的・意味的な文脈が欠如しており、教師付き機械学習モデルの開発が制限されている。 このボトルネックに対処するために、RF計測と高解像度カメラやライダーのような補助的なモードを組み合わせることで、RF信号とその物理的原因の間のギャップを埋める新しいマルチモーダルデータセットを提案する。 提案したデータ収集は、歩行から微妙なジェスチャーまで、人間の活動を含む静的シナリオと動的シナリオの両方を特徴とする、さまざまな屋内環境と屋外環境にまたがる。 正確な空間的および時間的共存を実現し、ボクセルレベルのアノテーションのためのデジタルレプリカを作成することで、このデータセットは変革的なAI研究を可能にする。 主な課題は、無線システム設計に革命をもたらすために視覚データからRFヒートマップを予測するという前方問題や、RF信号からシーンセマンティクスを推論する逆問題などである。

関連論文リスト

• RF-MatID: Dataset and Benchmark for Radio Frequency Material Identification [27.227118724475137]
  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。
  論文  参考訳（メタデータ） (2026-01-28T08:43:48Z)
• Data-driven RF Tomography via Cross-modal Sensing and Continual Learning [11.021948836550829]
  地下根管の断面像を再構成するためのDRIFT(Data-driven Radio frequency tomography)フレームワークを提案する。 まず、RFと視覚センサを用いたクロスモーダルセンシングシステムを設計し、RFトモグラフィディープニューラルネットワーク(DNN)モデルをトレーニングすることを提案する。 実験の結果, 平均直径誤差は2.29cm, 23.2%であり, 最先端のアプローチでは改善が見られた。
  論文  参考訳（メタデータ） (2025-08-04T09:48:50Z)
• 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)
• 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)
• Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
  デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。 無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。 そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
  論文  参考訳（メタデータ） (2023-12-08T13:50:30Z)
• 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)
• ChaRRNets: Channel Robust Representation Networks for RF Fingerprinting [0.0]
  RFフィンガープリントのための複雑値畳み込みニューラルネットワーク(CNN)を提案する。 我々は,深層学習(dl)技術を用いた無線iotデバイスの指紋認証の問題に注目する。
  論文  参考訳（メタデータ） (2021-05-08T03:03:21Z)
• Deep Neural Network Feature Designs for RF Data-Driven Wireless Device Classification [9.05607520128194]
  本稿では、RF通信信号の異なる構造と、送信機ハードウェア障害に起因するスペクトル放射を利用する新しい特徴設計手法を提案する。 提案するDNNの特徴は,拡張性,精度,シグネチャ・アンチ・クローニング,環境摂動に対する非感受性の観点から,分類の堅牢性を大幅に向上させる。
  論文  参考訳（メタデータ） (2021-03-02T20:19:05Z)
• A Compressive Sensing Approach for Federated Learning over Massive MIMO Communication Systems [82.2513703281725]
  フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。 本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
  論文  参考訳（メタデータ） (2020-03-18T05:56:27Z)

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。