基于GCNet的毫米波波束选择算法

在车辆到基础设施(V2I)通信中,毫米波波束宽度窄、设备移动性高,有效的毫米波波束选择是一项关键而又富有挑战性的任务。针对波束搜索过程开销大的问题,文章提出了一种基于雷达和位置信息的毫米波波束选择算法。所提算法使用Top-k分类度量在激光雷达数据和波束跟踪通道数据集上训练神经网络结构,并且使用全局上下文网络(GCNet)模型预测最佳波束对。仿真结果表明,所提算法性能在分类识别准确率上有明显提升,与此同时,仅需搜索5个波束便能接近穷举搜索的性能,大大减少了波束搜索开销。

基于GCNET协议的校园网P2P流媒体直播系统

为了给当代大学生量身定做一套适用的多媒体系统软件,以校园网为载体、P2P流媒体理论为基础,结合GC-NET协议,设计并开发了一套基于该协议的校园网P2P流媒体直播系统——WeSee直播系统,详细介绍了系统的设计和实现过程。WeSee充分利用了GCNET协议具有小世界特征的优点,把服务分散管理,以降低服务器的负载,同时支持大范围的流媒体内容发布。经过对WeSee的实验测试,结果表明WeSee具有很好的稳定性,并能充分利用带宽以保持良好的播放流畅度。

基于改进YOLO v5的混凝土桥梁裂缝轮廓提取研究

裂缝是混凝土桥梁的常见病害之一,当前主要依靠人工实施检测,存在效率低和准确率低等问题,研究自动化、智能化的裂缝检测方法一直是行业的热点问题。文章提出了一种改进YOLO v5的深度学习方法可以解决当前桥梁裂缝检测误检率高实时性差的问题。首先,我们将YOLO v5中主干网络替换为残差网络,进而加深网络的深度,通过残差连接使网络学习更复杂的特征;然后,在颈部网络结构的最后一层使用GCNet网络结构,通过全局相关层,将全局信息编码到每个位置的特征中,可以更好地捕捉裂缝的轮廓和细节。实验表明,该方法能够快速准确地检测出裂缝,且误检率较低,精确率可达到67.1%,比原始网络提高了9.2%,在混凝土桥梁裂缝轮廓提取任务中展现了出色的性能。

一种改进的Mask R-CNN卫星影像船舶尾迹检测方法

为提高运用深度学习算法进行船舶尾迹检测的准确度,本文提出了一种改进的Mask R-CNN网络结构,在传统的Mask R-CNN深度学习算法结构基础上,引入平衡特征金字塔串联结构,增强特征的融合和可辨识性,并引入GCNet提高特征提取能力,改善船舶尾迹的检测效果。以landsat8卫星遥感图像为数据集,通过在不同背景中的船舶航行图像下,比较改进结构与一般Mask R-CNN的检测效果,说明在相同条件下,改进结构较传统的Mask R-CNN算法能够得到更好的检测效果。