본 논문에서는 가변 색상 LED 배열과 카메라 사이의 통신을 의미하는 Color-independent Visual-MIMO 시스템의 수신 성능을 높이기 위한 가변 채널 모델링 방법과 딥러닝 기반의 심벌 판정 방법을 제안한다. 기존의 Color-independent Visual-MIMO 시스템에서 사용된 심벌 판정 방법은 송신 심벌과 수신 심벌의 색상 유사도를 계산하는 것에 지나지 않았다. 채널에서 왜곡된 색상 정보를 보정하기 위해 색상 클러스터링 기법 등과 같은 ...
본 논문에서는 가변 색상 LED 배열과 카메라 사이의 통신을 의미하는 Color-independent Visual-MIMO 시스템의 수신 성능을 높이기 위한 가변 채널 모델링 방법과 딥러닝 기반의 심벌 판정 방법을 제안한다. 기존의 Color-independent Visual-MIMO 시스템에서 사용된 심벌 판정 방법은 송신 심벌과 수신 심벌의 색상 유사도를 계산하는 것에 지나지 않았다. 채널에서 왜곡된 색상 정보를 보정하기 위해 색상 클러스터링 기법 등과 같은 영상 처리알고리즘이 소개되었지만 색상 유사도 기반의 접근 방식으로는 현실 세계의 왜곡을 대응하기에 여전히 한계가 있다. 본 논문에서는 기존 색상 유사도 방법의 한계를 극복하기 위해 심벌 판정 문제를 다중 분류(multi-class classification) 문제로 정의한다. 또한 채널 왜곡에 강인한 분류기를 학습하기 위해 고전의 기계 학습 기법보다 성능이 우수한 심층 신경망 학습 기법을 적용하여 채널 왜곡에 적응적으로 심벌 판정이 가능한 딥러닝 뉴럴 네트워크를 설계한다. 본 논문에서 설계한 딥러닝 뉴럴 네트워크는 크게 채널 식별 모듈과 심벌 판정 모듈 두 개로 구성된다. 먼저, 채널 식별 모듈은 이미지 센서의 입력 영상으로부터 2차원의 깊은 합성 곱 신경망을 통해 심벌 판정에 도움이 될 수 있는 채널 식별 벡터를 추출한다. 다음으로 심벌 판정 모듈은 앞서 추출된 채널 식별 벡터와 인접 심벌의 정보를 결합하여 특징 지도를 생성하고 1차원 합성 곱 신경망을 통해 인접 심벌 사이의 상관관계를 학습함으로써 심벌을 판정한다. 채널 식별 모듈과 채널 판정 모듈은 서로 연결되어 End-to-End 방식으로 한 번에 학습된다. 아울러 딥러닝 네트워크를 효율적으로 학습시키기 위해 기존의 AWGN(Additive White Gaussian Noise) 채널보다 현실 세계의 왜곡 요인을 직관적으로 반영한 새로운 채널 모델링 방법을 제안한다. 또한 제안하는 채널 모델링 방법의 타당성을 입증하기 위해 심벌 송수신 시뮬레이션 결과를 CIE 1931 색도 좌표계에 도식화하고 현실 세계의 왜곡 현상과 비교한다. 최종적으로 채널 환경이 급격히 나빠지는 상황에서의 SER(Symbol Error Rate) 성능 측정 실험을 통해 제안하는 방법이 기존의 색상 유사도 측정 방법 및 고전의 기계 학습 기법인 SVM(Support Vector Machine)보다 더 잘 채널 왜곡 변화에 적응할 수 있으며, 안정적으로 SER 성능을 유지할 수 있음을 증명한다.
본 논문에서는 가변 색상 LED 배열과 카메라 사이의 통신을 의미하는 Color-independent Visual-MIMO 시스템의 수신 성능을 높이기 위한 가변 채널 모델링 방법과 딥러닝 기반의 심벌 판정 방법을 제안한다. 기존의 Color-independent Visual-MIMO 시스템에서 사용된 심벌 판정 방법은 송신 심벌과 수신 심벌의 색상 유사도를 계산하는 것에 지나지 않았다. 채널에서 왜곡된 색상 정보를 보정하기 위해 색상 클러스터링 기법 등과 같은 영상 처리 알고리즘이 소개되었지만 색상 유사도 기반의 접근 방식으로는 현실 세계의 왜곡을 대응하기에 여전히 한계가 있다. 본 논문에서는 기존 색상 유사도 방법의 한계를 극복하기 위해 심벌 판정 문제를 다중 분류(multi-class classification) 문제로 정의한다. 또한 채널 왜곡에 강인한 분류기를 학습하기 위해 고전의 기계 학습 기법보다 성능이 우수한 심층 신경망 학습 기법을 적용하여 채널 왜곡에 적응적으로 심벌 판정이 가능한 딥러닝 뉴럴 네트워크를 설계한다. 본 논문에서 설계한 딥러닝 뉴럴 네트워크는 크게 채널 식별 모듈과 심벌 판정 모듈 두 개로 구성된다. 먼저, 채널 식별 모듈은 이미지 센서의 입력 영상으로부터 2차원의 깊은 합성 곱 신경망을 통해 심벌 판정에 도움이 될 수 있는 채널 식별 벡터를 추출한다. 다음으로 심벌 판정 모듈은 앞서 추출된 채널 식별 벡터와 인접 심벌의 정보를 결합하여 특징 지도를 생성하고 1차원 합성 곱 신경망을 통해 인접 심벌 사이의 상관관계를 학습함으로써 심벌을 판정한다. 채널 식별 모듈과 채널 판정 모듈은 서로 연결되어 End-to-End 방식으로 한 번에 학습된다. 아울러 딥러닝 네트워크를 효율적으로 학습시키기 위해 기존의 AWGN(Additive White Gaussian Noise) 채널보다 현실 세계의 왜곡 요인을 직관적으로 반영한 새로운 채널 모델링 방법을 제안한다. 또한 제안하는 채널 모델링 방법의 타당성을 입증하기 위해 심벌 송수신 시뮬레이션 결과를 CIE 1931 색도 좌표계에 도식화하고 현실 세계의 왜곡 현상과 비교한다. 최종적으로 채널 환경이 급격히 나빠지는 상황에서의 SER(Symbol Error Rate) 성능 측정 실험을 통해 제안하는 방법이 기존의 색상 유사도 측정 방법 및 고전의 기계 학습 기법인 SVM(Support Vector Machine)보다 더 잘 채널 왜곡 변화에 적응할 수 있으며, 안정적으로 SER 성능을 유지할 수 있음을 증명한다.
In this paper, I propose varying channel modeling and deep learning-based symbol decision method to improve the performance of Visual-MIMO system, which means communication between the color LED array and the camera. The conventional symbol decision method used in the previous Visual-MIMO system...
In this paper, I propose varying channel modeling and deep learning-based symbol decision method to improve the performance of Visual-MIMO system, which means communication between the color LED array and the camera. The conventional symbol decision method used in the previous Visual-MIMO system was merely calculating the color similarity between transmitted symbol and received symbol. An image processing algorithm such as a color clustering technique has been introduced to correct distorted color information, but the similarity-based approach still has limitations in dealing with real world distortion. In this paper, to overcome the limitations of the similarity-based approach, the symbol decision problem is defined as a multi-class classification problem. In addition, in order to train a classifier that is robust to channel distortion, a deep learning neural network capable of adaptive symbol decision for channel distortion is designed by applying a deep learning argorithms that is superior to a classical machine learning technique. The neural network designed in this paper is mainly composed of two modules. First, the channel identification module extracts a channel identification vector that can help in determining symbol through a 2-D deep convolutional neural network from the input image of the image sensor. The second is the symbol decision module, which determines symbols by combining the previously extracted channel identification vector and informations of adjacent symbols to generate a feature map and learning the correlation between adjacent symbols through a 1-D convolutional neural network. These two modules are connected to each other and trained at once in End-to-End manner. Furthermore, in order to efficiently train the classifier, we propose a channel modeling method that intuitively reflects the distortion factors of the real world rather than AWGN (Additive White Gaussian Noise) channel. Also, in order to demonstrate the validity of the proposed channel modeling method, the simulation results are plotted in a CIE 1931 chromaticity diagram and compared with real world distortions. Finally, the SER (Symbol Error Rate) performances argue that the proposed method is better adaptable to changes in channel distortion than the conventional color similarity approach and SVM (Support Vector Machine), and can maintain SER performance stably.
In this paper, I propose varying channel modeling and deep learning-based symbol decision method to improve the performance of Visual-MIMO system, which means communication between the color LED array and the camera. The conventional symbol decision method used in the previous Visual-MIMO system was merely calculating the color similarity between transmitted symbol and received symbol. An image processing algorithm such as a color clustering technique has been introduced to correct distorted color information, but the similarity-based approach still has limitations in dealing with real world distortion. In this paper, to overcome the limitations of the similarity-based approach, the symbol decision problem is defined as a multi-class classification problem. In addition, in order to train a classifier that is robust to channel distortion, a deep learning neural network capable of adaptive symbol decision for channel distortion is designed by applying a deep learning argorithms that is superior to a classical machine learning technique. The neural network designed in this paper is mainly composed of two modules. First, the channel identification module extracts a channel identification vector that can help in determining symbol through a 2-D deep convolutional neural network from the input image of the image sensor. The second is the symbol decision module, which determines symbols by combining the previously extracted channel identification vector and informations of adjacent symbols to generate a feature map and learning the correlation between adjacent symbols through a 1-D convolutional neural network. These two modules are connected to each other and trained at once in End-to-End manner. Furthermore, in order to efficiently train the classifier, we propose a channel modeling method that intuitively reflects the distortion factors of the real world rather than AWGN (Additive White Gaussian Noise) channel. Also, in order to demonstrate the validity of the proposed channel modeling method, the simulation results are plotted in a CIE 1931 chromaticity diagram and compared with real world distortions. Finally, the SER (Symbol Error Rate) performances argue that the proposed method is better adaptable to changes in channel distortion than the conventional color similarity approach and SVM (Support Vector Machine), and can maintain SER performance stably.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.