Distributional loss for convolutional neural network regression and application to GNSS multi-path estimation

要約

畳み込みニューラルネットワーク（CNN）は、画像分類で広く使用されています。
何年にもわたって、彼らはさまざまな機能強化の恩恵も受けており、現在ではデータのような画像の最先端技術と見なされています。
ただし、画像から関数値を推定するために回帰に使用する場合、使用できる推奨事項は少なくなります。
この研究では、新しいCNN回帰モデルが提案されています。
畳み込みニューラルレイヤーを組み合わせて、ソフトラベリング手法を使用して画像から高レベルの特徴表現を抽出します。
より具体的には、深回帰タスクは困難であるため、平均の周りの分布として見られるターゲットの不確実性を説明するという考え方があります。
推定は、分布の形でモデルによって実行されます。
以前の作業から構築して、カルバック・ライブラー（KL）発散に基づく特定のヒストグラム損失関数がトレーニング中に適用されます。
このモデルは、CNN特徴表現を利用しており、マルチチャネル入力画像から推定を実行できます。
この手法を評価および説明するために、モデルはグローバルナビゲーション衛星システム（GNSS）マルチパス推定に適用されます。マルチパス信号パラメーターは、IチャネルとQチャネルからの相関器出力画像から推定する必要があります。
マルチパス信号の遅延、大きさ、ドップラーシフト周波数、および位相パラメータは、衛星信号の合成的に生成されたデータセットから推定されます。
実験は、さまざまな受信条件とさまざまな入力画像解像度の下で行われ、推定パフォーマンスの品質と堅牢性をテストします。
結果は、分布損失を使用する提案されたソフトラベリングCNN手法が、すべての条件下で従来のCNN回帰よりも優れていることを示しています。
さらに、モデルによって達成される追加の学習パフォーマンスにより、入力画像の解像度を80×80から40×40、場合によっては20×20に下げることができます。

要約(オリジナル)

Convolutional Neural Network (CNN) have been widely used in image classification. Over the years, they have also benefited from various enhancements and they are now considered as state of the art techniques for image like data. However, when they are used for regression to estimate some function value from images, fewer recommendations are available. In this study, a novel CNN regression model is proposed. It combines convolutional neural layers to extract high level features representations from images with a soft labelling technique. More specifically, as the deep regression task is challenging, the idea is to account for some uncertainty in the targets that are seen as distributions around their mean. The estimations are carried out by the model in the form of distributions. Building from earlier work, a specific histogram loss function based on the Kullback-Leibler (KL) divergence is applied during training. The model takes advantage of the CNN feature representation and is able to carry out estimation from multi-channel input images. To assess and illustrate the technique, the model is applied to Global Navigation Satellite System (GNSS) multi-path estimation where multi-path signal parameters have to be estimated from correlator output images from the I and Q channels. The multi-path signal delay, magnitude, Doppler shift frequency and phase parameters are estimated from synthetically generated datasets of satellite signals. Experiments are conducted under various receiving conditions and various input images resolutions to test the estimation performances quality and robustness. The results show that the proposed soft labelling CNN technique using distributional loss outperforms classical CNN regression under all conditions. Furthermore, the extra learning performance achieved by the model allows the reduction of input image resolution from 80×80 down to 40×40 or sometimes 20×20.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google