在第五代移动通信系统中,采用极化码编码下行控制信息,并通过物理下行控制信道(Physical Download Control Channel,PDCCH)发送给用户设备,用户设备通过极化码盲检获得属于自己的控制信息。在通常情况下,用户设备接收到的帧包括极化码...在第五代移动通信系统中,采用极化码编码下行控制信息,并通过物理下行控制信道(Physical Download Control Channel,PDCCH)发送给用户设备,用户设备通过极化码盲检获得属于自己的控制信息。在通常情况下,用户设备接收到的帧包括极化码字帧和噪声帧,若将其全部进行译码,则存在不必要的开销。针对此问题,提出了一种基于阈值检验的区分极化码字帧和噪声帧的方法。该方法根据收端接收到的极化码字各个节点呈现出不同的硬判可靠度,为各个节点设置不同的硬判错误率阈值,对所有帧按照未通过阈值检验的节点个数进行由小到大进行排序,选取较小的帧进入后续的译码盲检,从而在盲检前剔除一定数量的噪声帧,显著降低用户设备端的盲检译码能耗。仿真验证表明,在复杂度相同的情况下,与已有的区分算法相比,该方案能将漏检率降低90%以上。展开更多
盲道和盲道障碍物是影响盲人出行安全的重要因素,现有算法只对盲道分割和盲道障碍物检测单独处理,效率低且计算量大。针对上述问题,文中提出了一种基于深度学习的多任务识别算法。该算法通过骨干网络提取公共特征,将提取的特征经过SPP(S...盲道和盲道障碍物是影响盲人出行安全的重要因素,现有算法只对盲道分割和盲道障碍物检测单独处理,效率低且计算量大。针对上述问题,文中提出了一种基于深度学习的多任务识别算法。该算法通过骨干网络提取公共特征,将提取的特征经过SPP(Spatial Pyramid Pooling)和FPN(Feature Pyramid Networks)网络融合特征后,分别传入分割网络和检测网络完成盲道分割和盲道障碍物检测的任务。为了让盲道分割更平整,引入修正损失函数。为了提高障碍物检测召回率,将检测网络的NMS(Non Maximum Suppression)替换为Soft-NMS。实验结果表明,该算法分割部分MIoU(Mean Intersection over Union)、MPA(Mean Pixel Accuracy)分别达到了93.52%、95.29%,检测部分mAP(mean Average Precision)、mAP@0.5以及mAP@0.75分别达到了75.58%、91.58%和74.82%。相较于使用SegFormer网络进行盲道分割和RetinaNet网络进行盲道障碍物检测,该算法在精度提升的同时速度也提升73.72%,FPS(Frames Per Secon)达到了18.52。相比于其他对比算法,该算法在速度和精度上也有一定的提升。展开更多
基金The National Key R&D Program of China(No.2022YFC38010000)the Key Research&Development Plan of Jiangsu Province(No.BE2020084-2)the Fundamental Research Funds for the Central Universities(No.2242022k60001).
文摘在第五代移动通信系统中,采用极化码编码下行控制信息,并通过物理下行控制信道(Physical Download Control Channel,PDCCH)发送给用户设备,用户设备通过极化码盲检获得属于自己的控制信息。在通常情况下,用户设备接收到的帧包括极化码字帧和噪声帧,若将其全部进行译码,则存在不必要的开销。针对此问题,提出了一种基于阈值检验的区分极化码字帧和噪声帧的方法。该方法根据收端接收到的极化码字各个节点呈现出不同的硬判可靠度,为各个节点设置不同的硬判错误率阈值,对所有帧按照未通过阈值检验的节点个数进行由小到大进行排序,选取较小的帧进入后续的译码盲检,从而在盲检前剔除一定数量的噪声帧,显著降低用户设备端的盲检译码能耗。仿真验证表明,在复杂度相同的情况下,与已有的区分算法相比,该方案能将漏检率降低90%以上。
文摘盲道和盲道障碍物是影响盲人出行安全的重要因素,现有算法只对盲道分割和盲道障碍物检测单独处理,效率低且计算量大。针对上述问题,文中提出了一种基于深度学习的多任务识别算法。该算法通过骨干网络提取公共特征,将提取的特征经过SPP(Spatial Pyramid Pooling)和FPN(Feature Pyramid Networks)网络融合特征后,分别传入分割网络和检测网络完成盲道分割和盲道障碍物检测的任务。为了让盲道分割更平整,引入修正损失函数。为了提高障碍物检测召回率,将检测网络的NMS(Non Maximum Suppression)替换为Soft-NMS。实验结果表明,该算法分割部分MIoU(Mean Intersection over Union)、MPA(Mean Pixel Accuracy)分别达到了93.52%、95.29%,检测部分mAP(mean Average Precision)、mAP@0.5以及mAP@0.75分别达到了75.58%、91.58%和74.82%。相较于使用SegFormer网络进行盲道分割和RetinaNet网络进行盲道障碍物检测,该算法在精度提升的同时速度也提升73.72%,FPS(Frames Per Secon)达到了18.52。相比于其他对比算法,该算法在速度和精度上也有一定的提升。