基于双路信息互补增强的压缩感知深度重构

深度学习的方法在压缩感知重构中表现了良好潜能,而如何提升网络的深度特征表示能力是其中的一个关键问题.基于多通道网络能较好改善深度特征表示能力的发现,设计了一种双路信息互补增强的压缩感知深度重构网络,以更好地提升网络的重构性能.具体地,重构网络由两个并行通道组成,一个通道实现对图像原始分辨率的重构,而另一个通道实现对图像的降采样重构;两个通道的中间特征提取部分采用交叉融合技术,以实现信息提取的互补增强.基于公开发布的标准测试集的实验验证了所提出的方法在提升压缩感知图像的深度重构质量的有效性.

大规模MIMO系统基于多分辨率深度学习网络的CSI反馈研究

快变信道环境下,采用频分双工模式下的大规模MIMO系统,用户通过反馈链路将信道状态信息(Channel State Information,CSI)发送给基站,为适应信道快速变化保证系统性能,要求降低反馈时延及减少反馈开销.提出一种基于深度学习的多分辨率信道状态信息网络(Multi-resolution Channel State Information Network,MCSINet),对反馈的信道状态信息进行压缩及预测,能够显著减少信道状态信息捕获与反馈开销,及降低时延.MCSINet模拟信道状态信息编解码系统,采用残差网络从信道样本中学习并完成信道预测,并通过多分辨率的卷积操作以及针对不同压缩率改变网络结构,从而更好预测信道状态.实验结果表明:与LASSO,TVAL3,CSINet等方法相比,MCSINet可以显著提高恢复信道状态信息,并且具有更低的误码率,复杂度和时延.

移动场景中基于DQN的毫米波MISO系统下行链路波束成形

针对移动场景中毫米波MISO系统的可靠性通信问题,提出一种基于深度Q网络(deep Q network,DQN)的下行链路波束成形优化方案.考虑用户快速移动导致的多普勒频移来构建移动场景中的毫米波信道模型,结合功率控制和干扰约束,将MISO系统下行链路的波束成形联合设计方案(joint beamforming-power control and interference coordination,JB-PCIC)建模为非凸优化问题.根据最大化信干噪比(signal to interference plus noise ratio,SINR)及用户的位置坐标,构建智能体-无线环境交互,利用DQN的贪婪属性估计动作的未来奖励,求解该优化问题.仿真结果表明:与穷举搜索的蛮力算法相比,所提出的基于DQN算法的JB-PCIC方案在显著降低复杂度的情况下,可以达到蛮力算法的速率和容量.

基于高斯噪声与ST-GCN的人体骨架动作识别

针对基于ST-GCN的骨架动作识别中人工预定义的邻接矩阵结构单一、难以捕捉到非相邻关节点之间的相关性这一问题,提出了一种基于高斯噪声的扰动机制.在人工预定义的骨架图邻接矩阵上引入高斯噪声,利用该噪声扰动ST-GCN中固定的邻接矩阵,捕捉非相邻关节点之间的相关性,运用该方法在具挑战性的NTURGB+D和Kinetics-Skeleton两个大规模数据集上进行了分类识别实验,结果表明:该方法在两大数据集上的识别精度高达95.34%和36.43%,在节约计算量的前提下有效地提高了动作识别的性能.

感知特征增强学习的低分辨率人脸识别

针对低分辨率人脸图像信息严重缺失而导致的人脸识别能力受限问题,提出了一种感知特征增强学习的低分辨率人脸识别网络.设计的整体网络包含两个通道,其中一个通道为低分辨率人脸识别子网络,顺序执行对输入的低分辨率人脸的超分辨率重构、深度特征提取与识别;另一通道为高分辨率人脸识别子网络,顺序对输入的高分辨率人脸进行深度特征提取与识别,在网络训练阶段辅助低分辨率人脸识别网络的学习.联合低分辨率人脸的超分辨率损失、超分辨率人脸的多级特征损失及身份损失,用于低分辨率人脸识别网络的训练,有效改善了超分辨率人脸的特征表示与判别能力,由此带来低分辨率人脸识别性能的较好改进.实验结果验证了提出方法的可行性和有效性,特别在极低分辨率情况下也得到了识别性能的明显提升.

基于压缩域新时空特征的视频动作识别

针对基于压缩域视频动作识别中精度偏低等问题,提出了一种压缩域视频动作识别新方法.主要思路是在提取压缩码流信息阶段,利用压缩视频的运动矢量和残差构造新时空特征.新时空特征不仅具有运动矢量和残差的时空关系,更兼备物体边缘清晰的特点.通过在动作识别主流数据集(HMDB-51、UCF-101)的验证,此方法计算开销相比基于传统像素域的动作识别更小,识别精度相比基于视频压缩域的动作识别更高.实验表明:基于压缩域的新时空特征具有了强时空关系和高信息密度等优点,能使视频动作识别的结果更加准确.

多策略驱动的动态手势识别算法

在动态手势识别方法中,现有多模输入策略易忽略手势类别局部信息与全局信息的差异性,同时现有决策级融合对各通道数据预测结果采用均值操作,不能充分利用在识别中起关键性作用的特征信息.提出了一种多线索自适应驱动算法:采用多线索输入策略融合各模态数据的局部与全局信息,构建2D与3D卷积神经网络级联框架提取手势特征,设计自适应融合策略为各通道预测结果赋予不同的权重.在SKIG数据集和IsoGD公开数据集上的实验结果证明了该算法的有效性,取得了与当前主流算法相当的动态手势识别效果.

基于社会域和物理域的自适应D2D多播分簇算法

针对D2D多播通信网络中可复用信道数量的时变性和用户接入率不高的问题,提出了一种结合社会域和物理域的自适应D2D多播分簇算法(SD-AMC).根据信道数量和信道状态信息,以分段函数方式自适应产生一个簇成员亲密度阈值,并在选取簇成员用户时通过亲密度阈值对簇成员进行筛选,使最终的分簇数量与可复用信道数量尽量匹配,进而提高D2D多播用户的接入率.仿真结果显示,提出的SD-AMC分簇算法的D2D多播通信用户的接入率比贪婪迭代算法可以提高约10%.