論文の概要: RF-LEGO: Modularized Signal Processing-Deep Learning Co-Design for RF Sensing via Deep Unrolling

• arxiv url: http://arxiv.org/abs/2604.10183v1
• Date: Sat, 11 Apr 2026 12:32:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:15.896198
• Title: RF-LEGO: Modularized Signal Processing-Deep Learning Co-Design for RF Sensing via Deep Unrolling
• Title（参考訳）: RF-LEGO: ディープアンロールによるRFセンシングのための変調信号処理-ディープラーニング共設計
• Authors: Luca Jiang-Tao Yu, Chenshu Wu,
• Abstract要約: 本稿では,解釈可能なSPアルゴリズムをトレーニング可能な物理基底DLモジュールに変換するモジュール共設計フレームワークRF-LEGOを提案する。 RF-LEGOはモジュール性、カスケーダビリティ、構造に整合した解釈性を保証する。 Wi-Fi、ミリ波、UWB、および6G計測のための実世界のデータを用いた実験は、RF-LEGOが既存のSPおよびDLベースラインを著しく上回ることを示した。
• 参考スコア（独自算出の注目度）: 7.69298318403425
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Wireless sensing, traditionally relying on signal processing (SP) techniques, has recently shifted toward data-driven deep learning (DL) to achieve performance breakthroughs. However, existing deep wireless sensing models are typically end-to-end and task-specific, lacking reusability and interpretability. We propose RF-LEGO, a modular co-design framework that transforms interpretable SP algorithms into trainable, physics-grounded DL modules through deep unrolling. By replacing hand-tuned parameters with learnable ones while preserving core processing structures and mathematical operators, RF-LEGO ensures modularity, cascadability, and structure-aligned interpretability. Specifically, we introduce three deep-unrolled modules for critical RF sensing tasks: frequency transform, spatial angle estimation, and signal detection. Extensive experiments using real-world data for Wi-Fi, millimeter-wave, UWB, and 6G sensing demonstrate that RF-LEGO significantly outperforms existing SP and DL baselines, both standalone and when integrated into multiple downstream tasks. RF-LEGO pioneers a novel SP-DL co-design paradigm for wireless sensing via deep unrolling, shedding light on efficient and interpretable deep wireless sensing solutions. Our code is available at https://github.com/aiot-lab/RF-LEGO.
• Abstract（参考訳）: 従来、信号処理(SP)技術に依存していたワイヤレスセンシングは、最近、パフォーマンスのブレークスルーを達成するために、データ駆動型ディープラーニング(DL)へと移行した。 しかし、既存の深層無線センシングモデルは、通常、エンドツーエンドとタスク固有であり、再利用性や解釈性に欠ける。 RF-LEGOは,解釈可能なSPアルゴリズムをディープ・アンローリングによりトレーニング可能な物理基底DLモジュールに変換するモジュール・コデザイン・フレームワークである。 手作業によるパラメータを学習可能なパラメータに置き換え、コア処理構造と数学的演算子を保存することにより、RF-LEGOはモジュラリティ、カスケーダビリティ、構造整合性を保証する。 具体的には、周波数変換、空間角推定、信号検出という、重要なRFセンシングタスクのための3つのディープアンロールモジュールを紹介する。 Wi-Fi、ミリ波、UWB、および6Gセンサーのための実世界のデータを用いた大規模な実験は、RF-LEGOが既存のSPとDLのベースラインを大きく上回っていることを示している。 RF-LEGOは、ディープアンロールによるワイヤレスセンシングのための新しいSP-DL共同設計パラダイムを開拓し、効率的で解釈可能なディープワイヤレスセンシングソリューションに光を遮蔽する。 私たちのコードはhttps://github.com/aiot-lab/RF-LEGO.orgで公開されています。

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)
• Wavelet-Guided Dual-Frequency Encoding for Remote Sensing Change Detection [67.84730634802204]
  リモートセンシング画像の変化検出は,自然災害監視,都市拡張追跡,インフラ管理など,さまざまな工学的応用において重要な役割を担っている。 既存のほとんどの手法は空間領域モデリングに依存しており、特徴表現の限られた多様性は微妙な変化領域の検出を妨げる。 本研究では、特にウェーブレット領域における周波数領域の特徴モデリングが周波数成分の微細な違いを増幅し、空間領域において捉えにくいエッジ変化の知覚を高めることを観察する。
  論文  参考訳（メタデータ） (2025-08-07T11:14:16Z)
• Rasterizing Wireless Radiance Field via Deformable 2D Gaussian Splatting [10.200300617390013]
  無線放射場(WRF)のモデル化は,現代の通信システムの基本である。 任意の位置でWRFスペクトルを合成する変形可能な2DスプレイティングフレームワークであるSwiftWRFを提案する。 実世界と合成室内の両方の実験では、SwiftWRFが既存の最先端の手法よりも500倍早くWRFを再構築できることが示されている。
  論文  参考訳（メタデータ） (2025-06-15T09:36:45Z)
• 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)
• Neural Representation for Wireless Radiation Field Reconstruction: A 3D Gaussian Splatting Approach [8.644949917126755]
  本稿では,無線放射場(WRF)再構成に基づくチャネルモデリングのための新しいフレームワークであるWRF-GSを提案する。 本稿では、電磁波物理をニューラルネットワーク設計に統合する拡張フレームワークであるWRF-GS+を提案する。
  論文  参考訳（メタデータ） (2024-12-06T07:56:14Z)
• 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)
• 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)
• 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)
• RF-Net: a Unified Meta-learning Framework for RF-enabled One-shot Human Activity Recognition [9.135311655929366]
  デバイスフリー(または非接触)センシングは、デバイスベース(またはウェアラブル)センシングよりも環境変化に敏感である。 RF-HARの既存のソリューションは、新しい環境に適応するための努力的なデータ収集プロセスを必要とする。 本稿では,1ショットのRF-HARに対するメタラーニングに基づくアプローチとしてRF-Netを提案する。
  論文  参考訳（メタデータ） (2021-10-29T01:58:29Z)
• 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)

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。