論文の概要: Learned Compression of SAR Phase-History Data: A Rate-Honest Feasibility Study on GOTCHA
- arxiv url: http://arxiv.org/abs/2609.35848v1
- Date: Fri, 25 Sep 2026 06:36:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:46.859617
- Title: Learned Compression of SAR Phase-History Data: A Rate-Honest Feasibility Study on GOTCHA
- Title（参考訳）: SAR位相履歴データの学習圧縮:GOTCHAの利率-Honest Feasibility Study
- Abstract要約: センサにエンコーダを装着した小さな畳み込みオートエンコーダが,ブロック適応量子化(BAQ)と競合するかどうかを検証する。
コンパイルされたフーリエ領域でネットワークを実行することは役立つが、その検出 F1 は 33% に制限されている。
レーダ圧縮を学習するための評価プロトコルをクローズする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: On-board compression of synthetic aperture radar (SAR) phase history is bandwidth-critical, and block-adaptive quantization (BAQ) remains the operational standard. We test whether a small convolutional autoencoder, with its encoder on the sensor, can compete with BAQ on complex phase-history patches from the AFRL GOTCHA collection. Every method is charged for all transmitted bits, rates are reported in bits per complex sample (b/cs), and detection is scored by one-to-one matching of CA-CFAR detections. The autoencoder (28,656 encoder parameters) loses at every rate. At 16 b/cs it reaches -2.87 dB NMSE, against -35.5 dB for 8-bit BAQ with $\pm 3σ$ clipping and -41.0 dB with a tuned clipping range. It also loses to a $16 \times 16$ block Karhunen-Loève transform (KLT), a local linear coder with a tenth of its encoder cost (-5.39 dB). Running the network in a companded Fourier domain helps, but its detection F1 remains bounded at 33%. The evidence points to this model, its normalization, and its objective, not to a fundamental limit of learned coding. Per patch, the data have modest lag-1 coherence ($|ρ| \approx 0.3$) and patch-specific spectral concentration. Two findings concern evaluation itself. First, 97% of CFAR crossings on raw $64 \times 64$ patches are border artifacts of the zero-padded detector. Second, on interior cells BAQ's clipping range decides detection: 8-bit BAQ keeps 69% F1 with tuned clipping but 17% at $\pm 3σ$, and at 8 b/cs or less adaptive FFT thresholding preserves more detections than BAQ. We close with an evaluation protocol for learned radar compression.
- Abstract（参考訳）: 合成開口レーダ(SAR)位相履歴のオンボード圧縮は帯域幅クリティカルであり、ブロック適応量子化(BAQ)は現在も運用標準である。
AFRL GOTCHAコレクションの複雑な位相履歴パッチにおいて,センサ上にエンコーダを配置した小さな畳み込みオートエンコーダがBAQと競合するかどうかを検証した。
全てのメソッドは送信された全てのビットに対して課金され、複雑なサンプル(b/cs)当たりのレートが報告され、CA-CFAR検出の1対1マッチングによって検出される。
オートエンコーダ(28,656エンコーダパラメータ)は各レートで低下する。
16 b/csで-2.87 dB NMSEに達し、8ビットBAQは-35.5 dB、$\pm 3σ$ クリッピングは -41.0 dB となる。
また、エンコーダコストの10分の1(5.39dB)のローカルリニアコーダであるKLT(Karhunen-Loève transform)も16 \times 16$に低下した。
コンパイルされたフーリエ領域でネットワークを実行することは役立つが、その検出 F1 は 33% に制限されている。
証拠は、学習されたコーディングの基本的な限界ではなく、このモデル、その正規化、およびその目的を指し示している。
パッチ当たりのデータは、緩やかなラグ-1コヒーレンス(|ρ| \approx 0.3$)とパッチ固有のスペクトル濃度を有する。
2つの結果が評価そのものを懸念している。
第一に、CFARの通過の97%は、64ドル(約64万円)のパッチがゼロパッド検出器の境界アーティファクトである。
8ビットのBAQは69%のF1を調整済みのクリップで保持するが、17%は$\pm 3σ$で、8 b/cs以下のFFT閾値はBAQよりも多くの検出を保持する。
レーダ圧縮を学習するための評価プロトコルをクローズする。
関連論文リスト
- Data Diversity, Not Frequency Invariance: A Controlled and Self-Audited Study of Compression-Robust Deepfake Detection [0.26856688022781555]
周波数特徴と圧縮不変表現学習は、ビデオ圧縮に耐えるディープフェイク検出の鍵であると広く考えられている。
本稿では, CAFRL - block-DCT および FFT-phase ストリーム, 圧縮レベル条件付き帯域アテンション, 逆(逆)圧縮でこれを検証する。
キャパシティと拡張整合制御を備えた事前登録されたプロトコルの下では、マルチ品質データに対するプレーンなEfficientNet-B0が、各圧縮レベルで指定されたCAFRLを上回った。
論文 参考訳（メタデータ） (2026-08-26T12:05:10Z) - Spatial Artifact Coherence Determines Codec Robustness in Patch-Based rPPG [0.0]
Photoplethysmography (r) は、遠隔医療、新生児ICU、ドライバ疲労の応用において、圧縮されたビデオチャネル上に展開されているベンチマークで低い心拍数誤差を達成している。
事前の作業では、圧縮下でのグローバル射影法を上回る物理量を決定するものはない。
本研究では,4x4のグリーンチャネル間グリーンチャネルにおいて,オフパスと対角エネルギーの比として定義される空間アーチファクトコヒーレンス(マクロ)を提案する。
論文 参考訳（メタデータ） (2026-06-02T20:33:36Z) - Distributional Energy-Based Models for Uncertainty-Aware Structured LLM Reasoning [40.342912574072024]
大規模言語モデルは、旅行計画やコードソリューションのような構造化されたアウトプットを生成する。
個々の推論ステップは正しく見えるが、アウトプット全体が予算に違反したり、テストケースに失敗したり、あるいは以前の推論に矛盾することがある。
構造化LCM出力の検証のための決定論的解析制約付き学習品質スコアラを提案する。
論文 参考訳（メタデータ） (2026-05-15T17:08:27Z) - Asymmetric Phase Coding Audio Watermarking [7.627186551029829]
Deepfakeオーディオは音声ベースの認証システムに挑戦する。
トレーニング不要なオーディオ用暗号署名層である非対称位相符号化を提案する。
我々は、平均Q.02および数ミリ秒のレイテンシにおける全ての条件で、97.5%から98.3%の暗号検証率を達成する。
論文 参考訳（メタデータ） (2026-05-08T04:54:59Z) - BitCal-TTS: Bit-Calibrated Test-Time Scaling for Quantized Reasoning Models [0.0]
BitCal-TTSは、greedy 4ビット推論のための軽量ランタイムコントローラである。
標準のHugging Face 4ビット推論と統合され、フォワードフックを使ってログとラストレイヤーの隠蔽状態を生成する。
Qwen2.5インストラクトモデルによるGSM8Kの評価シャードについて、BitCal-TTSは、非ビット対応ベースラインよりも正確なマッチング精度を向上させる。
論文 参考訳（メタデータ） (2026-05-07T01:10:34Z) - Decoding Correlated Errors in Quantum LDPC Codes [41.04211723135311]
本稿では,回路レベルの雑音下での量子LDPC符号における相関誤差の復号化フレームワークを提案する。
提案手法のコアは、相関検出誤差モデルを変更する干渉法(GARI)のグラフ拡張と再配線である。
FPGA実装の予備的な結果は、この高い精度をリアルタイムに達成でき、デコードインスタンスの99.99%において、平均デコードレイテンシは273 ns、サブマイクロ秒レイテンシは99.99%であることを示している。
論文 参考訳（メタデータ） (2025-10-15T19:59:05Z) - Simple ReFlow: Improved Techniques for Fast Flow Models [68.32300636049008]
拡散および流れマッチングモデルは、優れた生成性能を実現するが、多くのサンプリングステップを犠牲にしている。
我々は、力学、学習、推論のトレーニングに7つの改善点を提案する。
我々は、ニューラルネットワークによる高速な生成のために、最先端のFIDスコア(ガイダンスなし/参照なし)を達成している。
論文 参考訳（メタデータ） (2024-10-10T11:00:55Z) - Quantum error correction below the surface code threshold [107.92016014248976]
量子誤り訂正は、複数の物理量子ビットを論理量子ビットに結合することで、実用的な量子コンピューティングに到達するための経路を提供する。
本研究では, リアルタイムデコーダと統合された距離7符号と距離5符号の2つの面符号メモリを臨界閾値以下で動作させる。
以上の結果から,大規模なフォールトトレラント量子アルゴリズムの動作要件を実現する装置の性能が示唆された。
論文 参考訳（メタデータ） (2024-08-24T23:08:50Z) - Estimating the Decoding Failure Rate of Binary Regular Codes Using Iterative Decoding [84.0257274213152]
並列ビットフリップデコーダのDFRを高精度に推定する手法を提案する。
本研究は,本症候群のモデル化およびシミュレーションによる重み比較,第1イテレーション終了時の誤りビット分布の誤検出,復号化復号化率(DFR)について検証した。
論文 参考訳（メタデータ） (2024-01-30T11:40:24Z) - Deep Q-learning decoder for depolarizing noise on the toric code [0.0]
トーリック符号上の非分極雑音の量子誤差補正のためのAIベースの復号化エージェントを提案する。
エージェントは、深層強化学習(DRL)を使用してトレーニングされ、人工知能ニューラルネットワークは、エラー修正のための$X$、$Y$、および$Z$ Pauli操作の状態をQ値にエンコードする。
DRL型デコーダは,将来的なトポロジカル符号の誤り訂正のためのフレームワークとして期待できる。
論文 参考訳（メタデータ） (2019-12-30T13:27:07Z)
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。