論文の概要: Detecting Satellites in Radio-Frequency Data via Semi-Supervised Learning
- arxiv url: http://arxiv.org/abs/2606.20976v1
- Date: Thu, 18 Jun 2026 22:54:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 11:23:52.833103
- Title: Detecting Satellites in Radio-Frequency Data via Semi-Supervised Learning
- Title（参考訳）: セミスーパービジョン学習による電波周波数データの衛星検出
- Authors: Cade W. Trotter, Maksim E. Eren, Justin C. Holmes, J. Brent Parham, David Ewing, Boian S. Alexandrov, Gian Luca Delzanno,
- Abstract要約: RF(Radio- frequency)モニタリングは、空間領域の認識に不可欠であるが、ラベルがほとんどない、大きく、可変で、疎結合なデータセットを生成することが多い。
改良された深層学習法はラベル付きRFデータでよく機能するが、多くの注釈付き例が必要であり、RF条件が変化するにつれて慎重に再訓練する必要がある。
半教師付きアプローチは、専門家が解釈できる潜在パターンを明らかにするためにラベルなしの観察を使用して、限定データ設定の実用的な代替手段を提供する。
- 参考スコア（独自算出の注目度）: 0.36136619420474764
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Radio-frequency (RF) monitoring is essential for space domain awareness, but it often generates large, variable, and sparsely populated datasets with few labels. These observations can capture satellites, space debris, and the ionospheric background, yet interpreting them typically requires specialized subject-matter expertise. Supervised deep learning methods can perform well on labeled RF data, but they require many annotated examples and may need careful retraining as RF conditions change. Semi-supervised approaches offer a practical alternative for limited-data settings by using unlabeled observations to reveal latent patterns that experts can interpret. In this paper, we present a semi-supervised RF detection and classification workflow for satellite monitoring that combines Non-negative Matrix Factorization with automatic model determination (NMFk), expert-guided cluster interpretation, and classifier-based prediction. We first represent RF observations as a non-negative feature matrix and apply NMFk to estimate the number of clusters that best captures patterns in the unlabeled data. Subject-matter experts then assign physical meaning to the resulting clusters, including satellite detections, ionospheric environmental conditions, and other RF event categories. Finally, we train a classifier on these interpreted clusters to evaluate performance on a test set and categorize future observations. This pipeline reduces reliance on large pre-labeled datasets by pairing unsupervised factorization with expert interpretation, enabling an interpretable and transferable methodology for detecting, observing, and classifying behavior in RF data.
- Abstract（参考訳）: RF(Radio- frequency)モニタリングは、空間領域の認識に不可欠であるが、ラベルがほとんどない、大きく、可変で、疎結合なデータセットを生成することが多い。
これらの観測は、衛星、宇宙の破片、電離圏の背景を捉えることができるが、典型的には、特殊な被写体の専門知識を必要とする。
改良された深層学習法はラベル付きRFデータでよく機能するが、多くの注釈付き例が必要であり、RF条件が変化するにつれて慎重に再訓練する必要がある。
半教師付きアプローチは、専門家が解釈できる潜在パターンを明らかにするためにラベルなしの観察を使用して、限定データ設定の実用的な代替手段を提供する。
本稿では、非負行列分解と自動モデル決定(NMFk)、エキスパート誘導クラスタ解釈、分類器に基づく予測を組み合わせた、衛星監視のための半教師付きRF検出および分類ワークフローを提案する。
まず、RF観測を非負の特徴行列として表現し、NMFkを用いて、ラベルなしデータのパターンを最もよく捉えたクラスタ数を推定する。
次に、衛星検出、電離圏環境条件、その他のRFイベントカテゴリを含む、結果のクラスタに物理的意味を割り当てる。
最後に、これらの解釈クラスタ上で分類器を訓練し、テストセットのパフォーマンスを評価し、将来の観測を分類する。
このパイプラインは、教師なしの因数分解と専門家の解釈とをペアにすることで、大規模なラベル付きデータセットへの依存を低減し、RFデータの振る舞いを検出し、観察し、分類するための解釈可能な、転送可能な方法論を可能にする。
関連論文リスト
- Implicit Data Synthesis for Contrastive Unsupervised Data Augmentation [4.011518112865689]
ネットワーク重みを基礎データではなく摂動することで、コントラスト的なサンプルを生成する方法を示す。
隕石のレーダー観測に応用したSimCLRベースのパイプラインを用いて,この手法を実証する。
論文 参考訳（メタデータ） (2026-06-05T17:52:09Z) - Towards foundation-style models for energy-frontier heterogeneous neutrino detectors via self-supervised pre-training [0.4151704012621244]
異種検出器データから再利用可能な表現を学習するための疎ViTフレームワークを提案する。
自己教師付き事前訓練は、マスク付き自己エンコーダ再構築とリレーショナルボクセルレベルの目的を組み合わせる。
プレトレーニングはニュートリノの風味とチャームクォークの識別を継続的に改善する。
論文 参考訳（メタデータ） (2026-04-08T12:52:00Z) - From Few-Shot to Zero-Shot: Towards Generalist Graph Anomaly Detection [89.52759572485276]
ARCは、文脈内学習を利用した数発のGAD法であり、推論時にわずかにラベル付き正規サンプルを必要とする。
ARCとARC_zeroは、異常を効果的に検出し、強力な一般化能力を示し、少数ショットおよびゼロショット設定下で効率的に実行する。
論文 参考訳（メタデータ） (2026-02-21T10:59:00Z) - 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) - A Dataset for Semantic Segmentation in the Presence of Unknowns [49.795683850385956]
既存のデータセットは、既知のものや未知のもののみの評価を可能にするが、両方ではない。
乱雑な実環境からの多様な異常な入力を特徴とする,新しい異常セグメンテーションデータセットISSUを提案する。
データセットは、既存の異常セグメンテーションデータセットの2倍大きい。
論文 参考訳（メタデータ） (2025-03-28T10:31:01Z) - Downstream-Pretext Domain Knowledge Traceback for Active Learning [138.02530777915362]
本稿では、下流知識と事前学習指導のデータ相互作用をトレースするダウンストリーム・プレテキスト・ドメイン知識トレース(DOKT)手法を提案する。
DOKTは、トレースバックの多様性指標とドメインベースの不確実性推定器から構成される。
10のデータセットで行った実験は、我々のモデルが他の最先端の手法よりも優れていることを示している。
論文 参考訳（メタデータ） (2024-07-20T01:34:13Z) - Disentangled Representation Learning for RF Fingerprint Extraction under
Unknown Channel Statistics [77.13542705329328]
本稿では,まず,不整合表現学習(DRL)の枠組みを提案し,入力信号を逆学習によりデバイス関連成分とデバイス関連成分に分解する。
提案フレームワークにおける暗黙的なデータ拡張は、デバイス非関連チャネル統計の過度な適合を避けるために、RFF抽出器に正規化を課す。
実験により、DR-RFFと呼ばれる提案手法は、未知の複雑な伝播環境に対する一般化可能性の観点から従来の手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2022-08-04T15:46:48Z) - Wrapped Classifier with Dummy Teacher for training physics-based
classifier at unlabeled radar data [0.0]
2021年にEKBおよびMAGW ISTP SB RASのコヒーレント散乱レーダから受信した信号の自動分類法について述べる。
この手法はラベルのないデータセットに基づいて訓練され、クラスタ化結果を用いた最適な物理に基づく分類の訓練に基づいている。
その結果、分類ネットワークを訓練し、利用可能なデータの物理的視点から、よく解釈可能な11のクラスを見出した。
論文 参考訳（メタデータ） (2022-01-15T02:13:58Z) - SparseDet: Improving Sparsely Annotated Object Detection with
Pseudo-positive Mining [76.95808270536318]
Pseudo- positive mining を用いてラベル付き地域とラベルなし地域を分離するエンド・ツー・エンドシステムを提案する。
ラベル付き領域は通常通り処理されるが、ラベルなし領域の処理には自己教師付き学習が使用される。
我々は,PASCAL-VOCとCOCOデータセットの5つの分割に対して,最先端の性能を達成するための徹底的な実験を行った。
論文 参考訳（メタデータ） (2022-01-12T18:57:04Z) - Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D
Object Detection [85.11649974840758]
3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。
そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
論文 参考訳（メタデータ） (2021-11-30T18:42:42Z) - Unsupervised Learning Architecture for Classifying the Transient Noise
of Interferometric Gravitational-wave Detectors [2.8555963243398073]
非定常・非ガウス的特徴を持つ過渡雑音は高い速度で発生する。
過渡雑音の分類は、その起源を探索し、検出器の性能を向上させる手がかりを与えることができる。
本研究では,過渡雑音の分類のための教師なし学習アーキテクチャを提案する。
論文 参考訳（メタデータ） (2021-11-19T05:37:06Z)
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。