論文の概要: Multistatic ISAC with Deep Learning-Based Clutter Suppression for 5G and Beyond
- arxiv url: http://arxiv.org/abs/2610.40586v1
- Date: Thu, 29 Oct 2026 17:47:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-31 05:25:12.554585
- Title: Multistatic ISAC with Deep Learning-Based Clutter Suppression for 5G and Beyond
- Title（参考訳）: 深層学習に基づく5Gおよびそれ以上のクラッタ抑制を用いたマルチスタティックISAC
- Abstract要約: 本稿では,目標位置と速度の高忠実度推定のためのクラッタ抑制を施したマルチスタティックISACフレームワークを提案する。
深層学習に基づくクラッタ抑制手法を導入し,高密度および動的クラッタに対する堅牢性を向上させる。
- 参考スコア（独自算出の注目度）: 7.730645740575078
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Integrated sensing and communications (ISAC) systems using 5G and beyond signals of opportunity enable joint wireless sensing and communication using shared infrastructure and spectrum resources. While multistatic ISAC can increase sensing coverage with spatially distributed receivers, dense and dynamic clutter can significantly degrade bistatic range and Doppler estimation, leading to errors in target localization and velocity estimation. This paper presents a multistatic ISAC framework with clutter suppression for high-fidelity estimation of target position and velocity. Distributed clutter is modeled with randomly located scatterers with varying Doppler spreads and radar cross sections to capture dense and dynamic clutter effects. A broad range of conventional signal processing baselines are evaluated for clutter suppression, showing limited robustness under strong clutter conditions. To address this limitation, deep learning-based clutter suppression methods are introduced to improve robustness against dense and dynamic clutter by employing residual and attention-enhanced deep neural network architectures that directly enhance target responses from clutter-contaminated observations. These methods substantially outperform conventional approaches in target position and velocity estimation across diverse clutter conditions in multistatic ISAC.
- Abstract（参考訳）: 5Gを用いた統合センシング・通信(ISAC)システムにより、共有インフラとスペクトル資源を用いた共同無線センシング・通信が可能となる。
マルチスタティックISACは空間分布受信機による検知範囲を増大させるが、密度の高い動的クラッタはバイスタティックレンジとドップラー推定を著しく低下させ、ターゲットのローカライゼーションと速度推定の誤差を引き起こす。
本稿では,目標位置と速度の高忠実度推定のためのクラッタ抑制を施したマルチスタティックISACフレームワークを提案する。
分散クラッタは、密度と動的クラッタ効果を捉えるために、ドップラー拡散の異なるランダム位置散乱器とレーダ断面でモデル化される。
従来の信号処理ベースラインを幅広い範囲で評価し, 強いクラッタ条件下での強靭性を示す。
この制限に対処するために、深層学習に基づくクラッタ抑制手法を導入し、クラッタ汚染観測からターゲット応答を直接強化する残差および注目強化されたディープニューラルネットワークアーキテクチャを用いて、密集および動的クラッタに対する堅牢性を向上させる。
これらの手法は,多スタティックISACにおける種々のクラッタ条件における目標位置と速度推定における従来の手法よりも大幅に優れていた。
関連論文リスト
- AmbSentry: Mitigating Sensing Eavesdropping in ISAC Systems by Harnessing Ambient IoT Devices [60.083979780396014]
6Gネットワークの重要なパラダイムとして、ISAC(Integrated Sensistance and Communication)が登場している。
本稿では,盗聴者に対する検知情報の漏洩を防止するISACシステムであるAmbSentryを提案する。
論文 参考訳（メタデータ） (2026-08-12T08:42:05Z) - Dynamic Spectral Denoising with Global-Context Attention for Multi-Behavior Recommendation [58.33732779555114]
重要なボトルネックは、2つの結合した不均一性によって引き起こされる表現レベルの失敗である、と我々は主張する。
マルチビヘイビアレコメンデーション(SpectraMB)のためのグローバルコンテキストを考慮した動的スペクトルデノベーションを提案する。
SpectraMBは、ほとんどの評価設定で最高の結果を達成し、ノイズのある相互作用下での堅牢性の向上を示す。
論文 参考訳（メタデータ） (2026-06-01T15:58:13Z) - Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。
NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
論文 参考訳（メタデータ） (2026-05-21T16:45:31Z) - Real-Time 4D Radar Perception for Robust Human Detection in Harsh Enclosed Environments [10.956927578406388]
本稿では, 密集環境を代表とした散布環境において, 制御された多層塵濃度を生成するための新しい手法を提案する。
また、カメラとLiDARによって強化された新しい4DmmWaveレーダーデータセットを提示し、塵粒子と反射面が検知機能にどのように影響するかを説明した。
論文 参考訳（メタデータ） (2026-01-19T20:01:15Z) - AmbShield: Enhancing Physical Layer Security with Ambient Backscatter Devices against Eavesdroppers [69.56534335936534]
AmbShieldは自然分布のAmBDを利用して正規チャネルを強化し、eavesdropperを分解するAmBD支援PSSスキームである。
AmbShieldでは、AmBDはランダムに後方散乱して盗聴者の干渉を発生させるフレンドリーなジャマーとして利用され、受動的リレーは所望の信号を後方散乱して正当な装置の容量を高める。
論文 参考訳（メタデータ） (2026-01-14T20:56:50Z) - SecDiff: Diffusion-Aided Secure Deep Joint Source-Channel Coding Against Adversarial Attacks [73.41290017870097]
SecDiffは、プラグイン・アンド・プレイの拡散支援デコーディングフレームワークである。
対向無線環境下での深部JSCCの安全性と堅牢性を大幅に向上させる。
論文 参考訳（メタデータ） (2025-11-03T11:24:06Z) - RainDiff: End-to-end Precipitation Nowcasting Via Token-wise Attention Diffusion [64.49056527678606]
本稿では,U-Net拡散モデルだけでなく,レーダ時間エンコーダにも統合されたトークンワイドアテンションを提案する。
従来の手法とは異なり,本手法は,画素空間拡散の典型的な高資源コストを発生させることなく,アーキテクチャに注意を集中させる。
実験と評価により,提案手法は複雑な降水予測シナリオにおいて,最先端の手法,ロバストネスの局所的忠実度,一般化,優位性を著しく上回ることを示した。
論文 参考訳（メタデータ） (2025-10-16T17:59:13Z) - Foggy Crowd Counting: Combining Physical Priors and KAN-Graph [19.690003059392893]
本稿では,大気散乱の物理的先行性を考慮した群衆計測手法を提案する。
濃霧のシナリオでは主流のアルゴリズムに比べて12.2%-27.5%のMAE測定値の削減が達成されている。
論文 参考訳（メタデータ） (2025-09-29T09:59:36Z) - Multitask Learning for SAR Ship Detection with Gaussian-Mask Joint Segmentation [20.540873039361102]
本稿では,オブジェクト検出,スペックル抑制,ターゲットセグメンテーションタスクからなるSAR船舶検出のためのマルチタスク学習フレームワークを提案する。
アスペクト比重み付けによる角度分類損失を導入し、角度周期性と物体比に対処して検出精度を向上させる。
スペックル抑制タスクはデュアルフュージョンアテンション機構を使用してノイズを低減し、浅くノイズを生じさせる特徴を融合させ、ロバスト性を高める。
ターゲットセグメンテーションタスクは、回転したガウスマスクを利用して、乱雑な背景から対象領域を抽出するネットワークを支援し、画素レベルの予測により検出効率を向上させる。
論文 参考訳（メタデータ） (2024-11-21T05:10:41Z) - DenoDet: Attention as Deformable Multi-Subspace Feature Denoising for Target Detection in SAR Images [20.11145540094807]
本稿では、畳み込みバイアスを校正し、高周波により多くの注意を払うために、明示的な周波数領域変換によって支援されるネットワークを提案する。
変換領域ソフトしきい値処理を行う動的周波数領域アテンションモジュールであるTransDenoを設計する。
プラグアンドプレイのTransDenoは、複数のSARターゲット検出データセットに対して最先端のスコアを設定する。
論文 参考訳（メタデータ） (2024-06-05T01:05:26Z)
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。