論文の概要: EA-RMENet -- Path Loss Prediction in Urban Environments using Deep Learning

• arxiv url: http://arxiv.org/abs/2607.16449v1
• Date: Fri, 17 Jul 2026 18:47:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.15191
• Title: EA-RMENet -- Path Loss Prediction in Urban Environments using Deep Learning
• Title（参考訳）: EA-RMENet-ディープラーニングを用いた都市環境における経路損失予測
• Abstract要約: 本稿では、RME(Radio Map Estimation)のための画像データ駆動深層学習(DL)モデルであるEA-RMENet(Efficient Attention Radio Map Estimation Network)を提案する。 EA-RMENetは、EfficientNetB5エンコーダ、Attention Gated(AG)スキップ接続、Atrous Space Pyramid Pooling(ASPP)を備えたU-Netフレームワークを使用している。 このモデルはRadioMapSeer3Dデータセット上でのテスト予測RMSEが0.0334で、推定時間は0.022秒/サンプルである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Accurate path loss prediction is a critical component of wireless network planning. Current path loss prediction methods typically struggle to balance the trade-off between accuracy and computational efficiency. This paper proposes the Efficient Attention Radio Map Estimation Network (EA-RMENet) which is an image data-driven, deep learning (DL) model designed for radio map estimation (RME). EA-RMENet uses a U-Net framework with an EfficientNetB5 encoder, Attention Gated (AG) skip connections, and Atrous Spatial Pyramid Pooling (ASPP). The EfficientNet encoder uses compound scaling to balance accuracy and efficiency. AG skip connections suppress irrelevant features, and the ASPP captures a multi-scale context. The model has a test prediction RMSE of 0.0334 on the RadioMapSeer3D dataset with an inference time of 0.022 seconds/sample. In the ICASSP 2023 Radio Map Prediction Challenge, the model ranks third with a competitive RMSE of 0.0406 this highlights the models potential for real-world RME.
• Abstract（参考訳）: 正確な経路損失予測は、無線ネットワーク計画の重要な要素である。 現在の経路損失予測法は、通常、精度と計算効率のトレードオフのバランスをとるのに苦労する。 本稿では、RME(Radio Map Estimation)のための画像データ駆動深層学習(DL)モデルであるEA-RMENet(Efficient Attention Radio Map Estimation Network)を提案する。 EA-RMENetは、EfficientNetB5エンコーダ、Attention Gated(AG)スキップ接続、Atrous Spatial Pyramid Pooling(ASPP)を備えたU-Netフレームワークを使用している。 EfficientNetエンコーダは複合スケーリングを使用して精度と効率のバランスをとる。 AGのスキップ接続は無関係な特徴を抑圧し、ASPPはマルチスケールのコンテキストをキャプチャする。 このモデルはRadioMapSeer3Dデータセット上でのテスト予測RMSEが0.0334で、推定時間は0.022秒/サンプルである。 ICASSP 2023 Radio Map Prediction Challengeでは、このモデルが3位にランクインし、競争力のあるRMSEは0.0406で、実世界のRMEの可能性を浮き彫りにした。

関連論文リスト

• PropSplat: Map-Free RF Field Reconstruction via 3D Gaussian Propagation Splatting [0.9031038113277137]
  PropSplatは3次元異方性ガウスプリミティブを用いて無線周波数(RF)フィールドを再構成するマップフリーな伝搬モデリング手法である。 実世界の2つのデータセット上で,無線放射場法NeRF$2$,GSRF,WRF-GS+に対するPropSplatの評価を行った。
  論文  参考訳（メタデータ） (2026-05-08T17:24:06Z)
• R3PM-Net: Real-time, Robust, Real-world Point Matching Network [2.5553138705231535]
  本稿では,軽量でグローバルなオブジェクトレベルの点マッチングネットワークであるR3PM-Netを紹介する。 実験により、R3PM-Netは未一致の速度で競合精度を達成することが示された。 これらの結果は、R3PM-Netが重要な産業アプリケーションに対して堅牢で高速なソリューションを提供することを確認した。
  論文  参考訳（メタデータ） (2026-04-06T18:09:19Z)
• RadioGen3D: 3D Radio Map Generation via Adversarial Learning on Large-Scale Synthetic Data [62.63849426834315]
  将来の6Gおよび低高度ネットワークにおける効率的な無線資源管理には,無線地図が不可欠である。 ディープ・ラーニング(DL)技術は、無線地図推定における従来のレイトレーシングに代わる効果的な代替手段として登場した。 提案するRadioGen3Dフレームワークは,本質的な3次元信号伝搬特性とアンテナ偏光効果を捉える。
  論文  参考訳（メタデータ） (2026-02-21T07:50:05Z)
• Generative MIMO Beam Map Construction for Location Recovery and Beam Tracking [67.65578956523403]
  本稿では,スパースチャネル状態情報(CSI)から位置ラベルを直接復元する生成フレームワークを提案する。 生のCSIを直接格納する代わりに、小型の低次元無線地図の埋め込みを学び、生成モデルを利用して高次元CSIを再構築する。 数値実験により,NLOSシナリオにおける局所化精度が30%以上向上し,20%のキャパシティゲインが得られることが示された。
  論文  参考訳（メタデータ） (2025-11-21T07:25:49Z)
• GNN-ACLP: Graph Neural Networks Based Analog Circuit Link Prediction [10.741445394687378]
  本稿では,これらの課題に対処するための3つの革新を特徴とするグラフニューラルネットワーク(GNN)に基づくGNN-ACLPを提案する。 まず、SEAL(Subgraphs, Embeddings, Attributes for Link Prediction)フレームワークを導入し、回路リンク予測においてポートレベルの精度を実現する。 第2に,大言語モデル(LLM)を用いた検索拡張生成(RAG)を利用したネットリストフォーマット変換ツールであるNetlist Babel Fishを提案する。
  論文  参考訳（メタデータ） (2025-04-14T14:02:09Z)
• IPP-Net: A Generalizable Deep Neural Network Model for Indoor Pathloss Radio Map Prediction [14.114311899326836]
  IPP-Netは、屋内パスロス無線地図予測のための一般化可能なディープニューラルネットワークモデルである。 IPP-NetはICASSP 2025の第1回屋内パスロス電波地図予測チャレンジで評価される。
  論文  参考訳（メタデータ） (2025-01-11T02:53:14Z)
• Radio Map Prediction from Aerial Images and Application to Coverage Optimization [46.870065000932016]
  畳み込みニューラルネットワークを用いた経路損失無線マップの予測に着目する。 既存の無線地図データセットに対して開発された最先端モデルがこの課題に効果的に適応できることを示す。 UNetDCNと呼ばれる新しいモデルを導入し、複雑さを低減した最先端モデルと比較して、同等以上の性能を実現した。
  論文  参考訳（メタデータ） (2024-10-07T09:19:20Z)
• A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
  本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。 モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。 本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
  論文  参考訳（メタデータ） (2023-03-02T21:48:22Z)
• NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
  本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。 所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。 ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
  論文  参考訳（メタデータ） (2022-09-29T04:06:00Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)

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。