Fugu-MT 論文翻訳(概要): Physics-guided deep metric learning with continuous time embeddings for open-world radar pulse de-interleaving

論文の概要: Physics-guided deep metric learning with continuous time embeddings for open-world radar pulse de-interleaving

arxiv url: http://arxiv.org/abs/2609.25057v1
Date: Tue, 08 Sep 2026 12:19:52 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-28 05:09:55.846375
Title: Physics-guided deep metric learning with continuous time embeddings for open-world radar pulse de-interleaving
Title（参考訳）: オープンワールドレーダパルス脱インターリーブのための連続時間埋め込みを用いた物理誘導深度学習
Abstract要約: オープンワールドレーダデインターリービングのためのトランスフォーマーベースのメトリックラーニングフレームワークを構築した。本研究では,物理パルス間時間を直接モデル化する連続的T-O-Arrival(ToA)正弦波位置符号化法を提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Radar pulse de-interleaving is a foundational Electronic Support Measures (ESM) task that aims to separate chronologically interleaved pulse streams from multiple non-cooperative transmitters under unknown emitter cardinality in dense, contested electromagnetic environments. Classical histogram transforms and closed-world deep classifiers degrade under severe pulse loss, agile Pulse Repeti tion Interval (PRI) modulation, and spurious clutter. In this paper, we systematically characterise continuous temporal representations and physics-guided model selection in deep metric learning for open-world radar de-interleaving. Building on the transformer-based metric-learning framework for open-world deinterleaving introduced by Gunn et al. [1], we introduce a continuous Time-of-Arrival (ToA) sinusoidal positional encoding that directly models physical inter-pulse durations rather than ordinal token indices, a design choice that contrasts with [1], who found ordinal positional encodings provided no benefit and omitted them entirely. Neural network parameters are optimised solely via Supervised Contrastive (SupCon) learning, while scale-aware physical domain priors based on PRI Consistency and Angle-of-Arrival (AoA) continuity serve as physics-guided validation and checkpoint-selection criteria operating on unsupervised HDBSCAN cluster assignments.
Abstract（参考訳）: レーダパルスデインターリービング(Radar pulse de Interleaving)は、高密度で競合する電磁環境下で、複数の非協調送信機から時系列的にインターリーブされたパルスストリームを未知のエミッタ濃度下で分離することを目的とした基礎的電子支援対策(ESM)タスクである。古典的ヒストグラム変換と閉世界深部分類器は、重度のパルス損失下で劣化し、PRI(Pulse Repeti tion Interval)変調され、スプリアスクラッタとなる。本稿では,オープンワールドレーダデインターリービングのためのディープメトリック学習において,連続時間表現と物理誘導モデル選択を体系的に特徴付ける。我々は、Gunnらによって導入されたオープンワールドデインターリービングのためのトランスフォーマーベースのメートル法学習フレームワークを基盤として、通常のトークンの指標ではなく、物理的相互時間を直接モデル化する連続的なT-of-Arrival(ToA)正弦波位置符号化を導入し、[1]とは対照的な設計選択を行った。ニューラルネットワークパラメータは Supervised Contrastive (SupCon) 学習によってのみ最適化されるが、PRI Consistency と Angle-of-Arrival (AoA) 継続性に基づくスケールアウェア物理ドメインは、教師なし HDBSCAN クラスタ割り当てで動作する物理誘導検証およびチェックポイント選択基準として機能する。

関連論文リスト

Self-Supervised Cardiac Phase Detection via Single-Parameter Latent Orbits [44.45620787098836]
心エコー図におけるエンドジストール (ED) とエンドジストール (ES) の正確な同定は、心機能の定量化を支えている。最近の自己監督手法は、厳密な周期軌道を規定するか、あるいは再構成や登録目的から制約のない低次元運動部分空間を学習する。我々は、効率的な潜在軌道を学習し、EDローカライゼーションにおける技術の以前の状態を大幅に改善し、ESローカライゼーションにおいて、より制約のある表現とより少ないトレーニングエポックを用いて、それをマッチングする。
論文参考訳（メタデータ） (2026-09-10T14:56:16Z)
PHAST-Net: Attention-Guided, Physics-Informed Network for Unified Estimation of Ideal Time-Frequency Representations [6.783232060611112]
PHAST-Netは、理想的な時間周波数表現を統一的に推定するための注意誘導型物理インフォームドネットワークである。スペクトル、テンポベース、メートル法、およびスペクトル、テンポグラム、メトログラムなどの調和表現にまたがる。
論文参考訳（メタデータ） (2026-06-22T17:49:00Z)
SRENet: Spectral Re-Entry Network for Point Cloud Action Recognition [49.508770157706486]
本研究では,行動認識の周波数視点から,大域的文脈と微粒な動きの時間的ダイナミクスを学習するためのSRENetを提案する。 SRENetは、ポイントクラウドベースのアクション理解における周波数モデリングの有効性を検証し、最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2026-06-02T05:11:47Z)
Unveiling the Mechanism of Continuous Representation Full-Waveform Inversion: A Wave Based Neural Tangent Kernel Framework [52.632217600064344]
フルウェーブフォーム・インバージョン(FWI)は、限られた測定値から波動方程式の物理パラメータを推定する。 FWI法は初期モデルの精度に対する悪名高い感度によって制限されている。連続表現 FWI (CR-FWI) の最近の進歩は、暗黙的ニューラル表現 (INR) のような座標ベースニューラルネットワークによるパラメータモデルを表現することで、初期モデルへの依存を緩和できることを実証している。
論文参考訳（メタデータ） (2026-03-23T03:22:33Z)
From Sparse Sensors to Continuous Fields: STRIDE for Spatiotemporal Reconstruction [3.2580743227673694]
時空間デコーダを用いた高次元空間場を潜時状態にマッピングするフレームワークSTRIDEを提案する。 STRIDEは超高分解能をサポートし、超高分解能をサポートし、ノイズに対して頑健であることを示す。
論文参考訳（メタデータ） (2026-02-04T04:39:23Z)
Morphing Through Time: Diffusion-Based Bridging of Temporal Gaps for Robust Alignment in Change Detection [51.56484100374058]
既存の変更検出ネットワークを変更することなく空間的・時間的ロバスト性を改善するモジュールパイプラインを導入する。拡散モジュールは、大きな外観ギャップをブリッジする中間変形フレームを合成し、RoMaは段階的に対応を推定できる。 LEVIR-CD、WHU-CD、DSIFN-CDの実験は、登録精度と下流変化検出の両方において一貫した利得を示した。
論文参考訳（メタデータ） (2025-11-11T08:40:28Z)
Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
論文参考訳（メタデータ） (2025-06-10T18:40:20Z)
SinBasis Networks: Matrix-Equivalent Feature Extraction for Wave-Like Optical Spectrograms [8.37266944852829]
フラットな入力上での線形変換として、畳み込みと注意を再解釈する統一的行列等価フレームワークを提案する。これらの変換をCNN、ViT、Capsuleアーキテクチャに埋め込むことで、Sin-Basis Networksは周期的なモチーフに対する感度を高めることができる。
論文参考訳（メタデータ） (2025-05-06T16:16:42Z)
Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
論文参考訳（メタデータ） (2024-03-14T02:26:10Z)
PhysFormer: Facial Video-based Physiological Measurement with Temporal Difference Transformer [55.936527926778695]
近年のディープラーニングアプローチは、時間的受容の限られた畳み込みニューラルネットワークを用いた微妙なrの手がかりのマイニングに重点を置いている。本稿では,エンドツーエンドのビデオトランスをベースとしたアーキテクチャであるPhysFormerを提案する。
論文参考訳（メタデータ） (2021-11-23T18:57:11Z)

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。