信道状态信息(Channel State Information,CSI)反馈是大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)系统的一个关键问题。大规模MIMO系统中基站天线数量巨大,CSI反馈出现了反馈开销大、反馈精度低等问题。为了降低反馈开销...信道状态信息(Channel State Information,CSI)反馈是大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)系统的一个关键问题。大规模MIMO系统中基站天线数量巨大,CSI反馈出现了反馈开销大、反馈精度低等问题。为了降低反馈开销,提高反馈精度,采用深度学习方法,提出了一种基于特征融合的CSI反馈网络(Feature Fusion Net,FFNet)。利用基于注意力机制的特征融合在编码器中融合不同尺度的CSI特征,并在解码器中使用多通道多分辨率卷积网络以及通道重排,从而高精度地重建压缩后的CSI。仿真结果表明,与几种经典的深度学习CSI反馈方法相比,在室内和室外信道条件下,均具有更高的反馈精度。展开更多
针对端到端通信系统在信道未知时通过使用生成对抗网络(Generative Adversarial Network,GAN)表示信道效应而产生的梯度消失和过拟合问题,提出了一种通过互信息作为正则化项的改进方案。通过互信息神经估计器(Mutual Information Neural...针对端到端通信系统在信道未知时通过使用生成对抗网络(Generative Adversarial Network,GAN)表示信道效应而产生的梯度消失和过拟合问题,提出了一种通过互信息作为正则化项的改进方案。通过互信息神经估计器(Mutual Information Neural Estimator,MINE)计算发射信号与接收信号的互信息并由此作为正则化项来提高模型的泛化能力,从而缓解过拟合问题,而其中产生的额外梯度可以缓解梯度消失问题,从而提高了模型的学习性能。从仿真结果来看,改进后的方案表现出了更好的鲁棒性,并且在加性高斯白噪声(Additive White Gaussian Noise,AWGN)信道、瑞利衰落信道上获得了更好的误比特率性能。此外,在频率选择性信道上,改进后的方案获得了1 dB左右误比特率性能的改善。展开更多
针对公共场所口罩佩戴检测存在遮挡、密集和小尺度的情况而导致检测精度不高的问题,以实时目标检测算法YOLOv3为基础提出一种Mask-YOLO算法。首先在特征融合过程中引入通道注意力机制以突出重要特征,减少了融合后冗余特征的影响,有效提...针对公共场所口罩佩戴检测存在遮挡、密集和小尺度的情况而导致检测精度不高的问题,以实时目标检测算法YOLOv3为基础提出一种Mask-YOLO算法。首先在特征融合过程中引入通道注意力机制以突出重要特征,减少了融合后冗余特征的影响,有效提高了特征利用率;然后以完全交并比(complete intersection over union,CIoU)损失代替均方差损失(mean square error,MSE)作为边框回归的损失函数,提高了定位精度;最后除了检测佩戴和未佩戴口罩的情况外,还对不正确佩戴口罩的情况进行了检测。实验结果表明:与YOLOv3算法相比,Mask-YOLO算法在每秒帧率(frame per second,FPS)仅下降1%的情况下使平均精度均值(mean average precision,mAP)提高了4.78%。与其他主流的目标检测算法相比,Mask-YOLO算法在复杂场景下对口罩佩戴检测也有更好的效果和鲁棒性。展开更多
文摘针对端到端通信系统在信道未知时通过使用生成对抗网络(Generative Adversarial Network,GAN)表示信道效应而产生的梯度消失和过拟合问题,提出了一种通过互信息作为正则化项的改进方案。通过互信息神经估计器(Mutual Information Neural Estimator,MINE)计算发射信号与接收信号的互信息并由此作为正则化项来提高模型的泛化能力,从而缓解过拟合问题,而其中产生的额外梯度可以缓解梯度消失问题,从而提高了模型的学习性能。从仿真结果来看,改进后的方案表现出了更好的鲁棒性,并且在加性高斯白噪声(Additive White Gaussian Noise,AWGN)信道、瑞利衰落信道上获得了更好的误比特率性能。此外,在频率选择性信道上,改进后的方案获得了1 dB左右误比特率性能的改善。
文摘针对公共场所口罩佩戴检测存在遮挡、密集和小尺度的情况而导致检测精度不高的问题,以实时目标检测算法YOLOv3为基础提出一种Mask-YOLO算法。首先在特征融合过程中引入通道注意力机制以突出重要特征,减少了融合后冗余特征的影响,有效提高了特征利用率;然后以完全交并比(complete intersection over union,CIoU)损失代替均方差损失(mean square error,MSE)作为边框回归的损失函数,提高了定位精度;最后除了检测佩戴和未佩戴口罩的情况外,还对不正确佩戴口罩的情况进行了检测。实验结果表明:与YOLOv3算法相比,Mask-YOLO算法在每秒帧率(frame per second,FPS)仅下降1%的情况下使平均精度均值(mean average precision,mAP)提高了4.78%。与其他主流的目标检测算法相比,Mask-YOLO算法在复杂场景下对口罩佩戴检测也有更好的效果和鲁棒性。
