CN112232268B - 一种结合深度学习和对抗特征解耦的跨域动作识别方法 - Google Patents
一种结合深度学习和对抗特征解耦的跨域动作识别方法 Download PDFInfo
- Publication number
- CN112232268B CN112232268B CN202011178153.7A CN202011178153A CN112232268B CN 112232268 B CN112232268 B CN 112232268B CN 202011178153 A CN202011178153 A CN 202011178153A CN 112232268 B CN112232268 B CN 112232268B
- Authority
- CN
- China
- Prior art keywords
- domain
- feature
- features
- decoupling
- cross
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Abstract
本发明公开了一种结合深度学习和对抗特征解耦的跨域动作识别方法,该方法包括:根据原始调频连续波信号得到多域二维热图数据集;基于多域二维热图数据集训练得到特征提取模块;基于特征提取模块提取多域特征;基于多域特征训练得到训练后的特征解耦模块和动作分类器;完成域相关特征和域无关特征的解耦并为域无关特征添加权重,得到带权重的域无关特征;微调特征提取模块,得到跨域动作识别模型。通过使用本发明,能够串行训练网络中的各个模块、无需调整各损失值权重,且能够训练得到可跨域识别的即拿即用的网络模型。本发明作为一种结合深度学习和对抗特征解耦的跨域动作识别方法,可广泛应用于动作识别领域。
Description
技术领域
本发明涉及射频识别领域,尤其涉及一种结合深度学习和对抗特征解耦的跨域动作识别方法。
背景技术
近年来,随着射频技术的不断进步,其应用领域越加广泛。进一步,为了解决射频技术跨域适应能力差的问题,提出了多种深度迁移学习方法,包括基于特征映射、基于网络、基于实例、基于对抗等,但所有方法都必须提前收集目标域数据集,并对目标域数据集进行一定的处理,无法真正做到即拿即用。换言之,使用传统深度迁移学习方法获得的网络模型无法避免三个问题:其一、因为需要提前收集目标域数据集,使用者必须掌握一定专业知识;其二、网络模型不是真正的即拿即用,每次跨域使用都需要耗费大量的时间对网络模型进行微调;其三、传统的网络模型使用了并行训练的方法,多个模块间的损失值难以处理,每个不同的目标域数据集都需要独立调整各损失值的权重。因此,传统深度迁移学习方法没有完全解决射频技术跨域学习能差的问题,极大的阻碍了射频技术的应用和推广。
发明内容
为了解决上述技术问题,本发明的目的是提供一种结合深度学习和对抗特征解耦的跨域动作识别方法,能够串行训练网络中的各个模块、无需调整各损失值权重,且能够训练得到可跨域识别的即拿即用的网络模型。
本发明所采用的第一技术方案是:一种结合深度学习和对抗特征解耦的跨域动作识别方法,包括训练步骤:
获取原始调频连续波信号并对该信号进行处理,得到多域二维热图数据集;
基于多域二维热图数据集训练深度神经网络,得到特征提取模块;
根据特征提取模块提取多域特征;
基于多域特征训练特征解耦模块和动作分类器,得到训练后的特征解耦模块和动作分类器;
根据训练后的特征解耦模块完成域相关特征和域无关特征的解耦并为域无关特征添加权重,得到带权重的域无关特征;
以带权重的域无关特征作为标签微调特征提取模块,结合训练后动作分类器得到跨域动作识别模型。
进一步,还包括识别步骤:
获取目标域数据集并生成目标二维热图;
将目标二维热图输入跨域动作识别模型并由特征提取模块得到目标特征;
将目标特征输入到动作分类器得到动作的预测分类。
进一步,所述获取原始调频连续波信号并对该信号进行处理,得到多域二维热图数据集这一步骤,其具体包括:
获取原始调频连续波信号并对该信号进行离散傅里叶变处理,得到二维热图;
对二维热图进行下采样和正则化处理,得到实际输入深度神经网络的多域二维热图数据集。
进一步,所述深度神经网络具体为在ResNet网络架构的基础上添加LSTM网络的深度神经网络。
进一步,所述特征解耦模块包括特征解耦器、域判别器和身份判别器。
进一步,所述根据训练后的特征解耦模块完成域相关特征和域无关特征的解耦并为域无关特征添加权重,得到带权重的域无关特征这一步骤,其具体包括:
基于特征解耦器将多域特征解耦为域相关特征和域无关特征;
基于域判别器和身份判别器验证域相关特征和域无关特征的正确性并协同特征解耦器输出更纯净的域无关特征;
为域无关特征添加权重得到带权重的域无关特征。
进一步,所述以带权重的域无关特征作为标签微调特征提取模块,结合训练后的动作分类器得到跨域动作识别模型这一步骤,其具体包括:
将域无关特征与输入的二维热图一一对应;
以带权重的域无关特征作为特征提取模块标签,重新提取域无关特征;
以重新提取的域无关特征计算特征距离及其权重;
以特征距离和权重计算损失值;
基于损失值微调特征提取模块,调试完成后得到跨域动作识别模型。
进一步,所述特征距离计算公式如下:
上式中,x表示特征,dist(xi,xj)表示特征xi和特征xj的距离,n表示特征维度,Sk表示第k维的标准差。
进一步,权重计算公式如下:
上式中,N表示特征数量,Lk表示第k个特征的损失值。
进一步,所述损失值的计算公式如下:
上式中,L表示反向传播给特征提取器的损失值。
本发明方法及系统的有益效果是:通过将并行训练改进为分步骤的串行训练,解决了针对不同源域需要不断调整损失值系数的问题,增强了网络模型的泛化能力,提出了基于对抗学习的特征解耦模块,可以有效分离出域无关特征,还通过基于权重和特征距离求解损失值,在跨域识别领域有较好的应用效果。
附图说明
图1是本发明一种结合深度学习和对抗特征解耦的跨域动作识别方法的步骤流程图;
图2是本发明具体实施例跨域动作识别模型结构示意图;
图3是本发明具体实施例中训练深度神经网络、动作分类器、域判别器和身份判别器的步骤示意图;
图4是本发明具体实施例中训练特征解耦模块步骤示意图;
图5是本发明具体实施例应用跨域动作识别模型的识别过程示意图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
参照图1和图2,本发明提供了一种结合深度学习和对抗特征解耦的跨域动作识别方法,该方法包括训练步骤:
S101、获取原始调频连续波信号并对该信号进行处理,得到多域二维热图数据集。
具体地,数据集中包括走、坐下、起立、捡东西、喝水和跌倒六种动作。
S102、基于多域二维热图数据集训练深度神经网络,得到特征提取模块;
具体地,以带标签的多源域数据集作为输入通过深度神经网络提取到六种动作的特征。
S103、根据特征提取模块提取多域特征;
S104、基于多域特征训练特征解耦模块和动作分类器,得到训练后的特征解耦模块和动作分类器,如图3所示;
S105、根据训练后的特征解耦模块完成域相关特征和域无关特征的解耦并为域无关特征添加权重,得到带权重的域无关特征;
S106、以带权重的域无关特征作为标签微调特征提取模块,结合训练后的动作分类器得到跨域动作识别模型。
进一步作为本方法的优选实施例,还包括识别步骤:
S107、获取目标域数据集并生成目标二维热图;
S108、将目标二维热图输入跨域动作识别模型并由特征提取模块得到目标特征;
S109、将目标特征输入到动作分类器得到动作的预测分类。
具体地,如图5所示,执行完成所有训练步骤后,得到的网络模型不再需要特征解耦模块、域判别器和身份判别器,对于任意一个或多个目标域数据集,可以直接以调频连续波设备采集到的信息作为输入,执行本发明提供的数据预处理方法得到二维热图后,送入特征提取器中得到特征,再由已经训练好的动作分类器通过特征得到动作的预测分类。
进一步作为本方法的优选实施例,所述获取原始调频连续波信号并对该信号进行处理,得到多域二维热图数据集这一步骤,其具体包括:
获取原始调频连续波信号并对该信号进行离散傅里叶变处理,得到二维热图;
对二维热图进行下采样和正则化处理,得到实际输入深度神经网络的多域二维热图数据集。
进一步作为本方法的优选实施例,所述深度神经网络具体为在ResNet网络架构的基础上添加LSTM网络的深度神经网络。
具体地,所述深度神经网络具体为ResNet37网络模型,每两层有一个旁路,采用ReLU函数作为激活函数。此外,本发明还考察了使用Inception网络架构、LeNet网络架构、EffecientNet网络架构、VGG网络架构和DenseNet网络架构替换ResNet37网络架构的效果,其精度皆不如ResNet37网络架构。
另外,所述特征提取模块还包括:ResNet37网络架构的输出在通过一层全连接层后,作为输入送入LSTM网络中提取时间特征,提高特征提取器的时间特征提取能力;为解决训练过程中的过拟合问题,本发明对输入进行了正则化处理,并在网络模型中添加了合适的DropOut层和BatchNorm层。
进一步作为本方法的优选实施例,所述特征解耦模块包括特征解耦器、域判别器和身份判别器。
具体地,所述动作分类器、域判别器和身份判别器由两层全连接层和一层softmax层组成,采用了交叉熵损失函数,以特征提取器输出的特征作为输入,分别输出动作分类损失值、域判别损失值和身份判别损失值。动作分类损失值反向传播给动作分类器和特征提取器,域判别损失值反向传播给域判别器,身份判别损失值反向传播给身份判别器。
另外,特征解耦器还包括包括预解耦器、域无关特征解耦器、域相关特征解耦器,预解耦器用于去除特征中的噪声,域无关特征解耦器用于从去噪后的特征提取出域无关特征,域相关特征解耦器用于从去噪后的特征中提取出域相关特征;特征解耦模块以特征提起模块提取到的特征作为输入,得到域相关特征和域无关特征;特征解耦模块的对抗性主要体现在域无关特征送入域判别器和身份判别器,反向传播的是其负熵,具体如图4所示,TS1和TS2是设置好的阈值常量,反向传播给域无关特征解耦器的损失值为TS1-L1+TS2-L2,以此迫使域无关特征解耦器提取出更加纯净的域无关特征;反向传播给域相关特征解耦器的损失值为L3+L4,反向传播给预解耦器的损失值为TS1-L1+TS2-L2+L3+L4;其中,TS1和TS2可以取第一轮周期获得的最大损失值。
所述预解耦器、域无关特征解耦器、域相关特征解耦器具体由若干层全连接层组成,具体实施时,可以采用全局平均池化替代部分全连接层,以解决全连接层参数过多的问题,但可能对精度造成一定影响。
进一步作为本方法的优选实施例,所述根据训练后的特征解耦模块完成域相关特征和域无关特征的解耦并为域无关特征添加权重,得到带权重的域无关特征这一步骤,其具体包括:
基于特征解耦器将多域特征解耦为域相关特征和域无关特征;
基于域判别器和身份判别器验证域相关特征和域无关特征的正确性并协同特征解耦器输出更纯净的域无关特征;
为域无关特征添加权重得到带权重的域无关特征。
具体地,使用域判别器和身份判别器验证解耦的正确性,并以对抗的方式迫使解耦器解耦出更纯净的域无关特征,所述对抗具体通过反向传播域无关特征通过两个判别器后得到的负熵、反向传播域相关特征通过两个判别器后得到的正熵实现。
进一步作为本方法的优选实施例,所述以带权重的域无关特征作为标签微调特征提取模块,结合训练后的动作分类器得到跨域动作识别模型这一步骤,其具体包括:
将域无关特征与输入的二维热图一一对应;
以带权重的域无关特征作为特征提取模块标签,重新提取域无关特征;
以重新提取的域无关特征计算特征距离及其权重;
以特征距离和权重计算损失值;
基于损失值微调特征提取模块,调试完成后得到跨域动作识别模型。
具体地,所述权重具体通过计算该损失值与总体损失值的比例得到。
进一步作为本方法的优选实施例,所述特征距离的计算公式如下:
上式中,x表示特征,dist(xi,xj)表示特征xi和特征xj的距离,n表示特征维度,Sk表示第k维的标准差。
进一步作为本方法优选实施例,所述权重的计算公式如下:
上式中,N表示特征数量,Lk表示第k个特征的损失值,Li表示第i个特征的损失值。
进一步作为本方法优选实施例,所述损失值的计算公式如下:
上式中,L表示反向传播给特征提取器的损失值。
本发明还提供另一种实施例,一种结合深度学习和对抗实现的跨域动作识别方法:
该方法没有特征解耦模块,可以节省训练网络模型的时间,但是会导致精度小幅度下降,具体步骤包括:
以多源域数据集作为输入,送入深度神经网络中提取到特征;
将特征分别送入动作分类器、域判别器和身份判别器中,计算得到各自的损失值,分别为Ls、Ld、Li。定义L表示反向传播给深度神经网络的损失值,则损失值计算公式为:
L=Ls-αLd-βLi
其中α和β为Ld和Li的系数,需要依据训练情况进行调整。本发明采用的办法是在前十个周期将α和β置零,Ld和Li仅返回给域判别器和身份判别器,之后根据Ls、Ld和Li的值变化,动态调整α和β。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (5)
1.一种结合深度学习和对抗特征解耦的跨域动作识别方法,其特征在于,包括训练步骤:
获取原始调频连续波信号并对该信号进行处理,得到多域二维热图数据集;
基于多域二维热图数据集训练深度神经网络,得到特征提取模块;
基于特征提取模块提取多域特征;
基于多域特征训练特征解耦模块和动作分类器,得到训练后的特征解耦模块和动作分类器;
根据训练后的特征解耦模块完成域相关特征和域无关特征的解耦并为域无关特征添加权重,得到带权重的域无关特征;
以带权重的域无关特征作为标签微调特征提取模块,结合训练后的动作分类器得到跨域动作识别模型;
还包括识别步骤:
获取目标域数据集并生成目标二维热图;
将目标二维热图输入跨域动作识别模型并由特征提取模块得到目标特征;
将目标特征输入到动作分类器得到动作的预测分类;
所述获取原始调频连续波信号并对该信号进行处理,得到多域二维热图数据集这一步骤,其具体包括:
获取原始调频连续波信号并对该信号进行离散傅里叶变处理,得到二维热图;
对二维热图进行下采样和正则化处理,得到实际输入深度神经网络的多域二维热图数据集;
所述特征解耦模块包括特征解耦器、域判别器和身份判别器;
所述根据训练后的特征解耦模块完成域相关特征和域无关特征的解耦并为域无关特征添加权重,得到带权重的域无关特征这一步骤,其具体包括:
基于特征解耦器将多域特征解耦为域相关特征和域无关特征;
基于域判别器和身份判别器验证域相关特征和域无关特征的正确性并协同特征解耦器输出更纯净的域无关特征;
为域无关特征添加权重得到带权重的域无关特征;
所述以带权重的域无关特征作为标签微调特征提取模块,结合训练后的动作分类器得到跨域动作识别模型这一步骤,其具体包括:
将域无关特征与输入的二维热图一一对应;
以带权重的域无关特征作为特征提取模块标签,重新提取域无关特征;
以重新提取的域无关特征计算特征距离及其权重;
以特征距离和权重计算损失值;
基于损失值微调特征提取模块,调试完成后得到跨域动作识别模型。
2.根据权利要求1所述一种结合深度学习和对抗特征解耦的跨域动作识别方法,其特征在于,所述深度神经网络具体为在ResNet网络架构的基础上添加LSTM网络的深度神经网络。
3.根据权利要求2所述一种结合深度学习和对抗特征解耦的跨域动作识别方法,其特征在于,所述特征距离的计算公式如下:
上式中,x表示特征,dist(xi,xj)表示特征xi和特征xj的距离,n表示特征维度,Sk表示第k维的标准差。
4.根据权利要求3所述一种结合深度学习和对抗特征解耦的跨域动作识别方法,其特征在于,所述权重的计算公式如下:
上式中,N表示特征数量,Lk表示第k个特征的损失值,Li表示第i个特征的损失值。
5.根据权利要求4所述一种结合深度学习和对抗特征解耦的跨域动作识别方法,其特征在于,所述损失值的计算公式如下:
上式中,L表示反向传播给特征提取器的损失值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011178153.7A CN112232268B (zh) | 2020-10-29 | 2020-10-29 | 一种结合深度学习和对抗特征解耦的跨域动作识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011178153.7A CN112232268B (zh) | 2020-10-29 | 2020-10-29 | 一种结合深度学习和对抗特征解耦的跨域动作识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112232268A CN112232268A (zh) | 2021-01-15 |
CN112232268B true CN112232268B (zh) | 2023-10-20 |
Family
ID=74110242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011178153.7A Active CN112232268B (zh) | 2020-10-29 | 2020-10-29 | 一种结合深度学习和对抗特征解耦的跨域动作识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112232268B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949658B (zh) * | 2021-03-10 | 2022-07-08 | 清华大学 | 一种具有稳定性能的深度学习方法 |
CN116994099B (zh) * | 2023-09-28 | 2023-12-22 | 北京科技大学 | 特征解耦的少量样本预训练模型鲁棒性微调方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020656A (zh) * | 2012-12-19 | 2013-04-03 | 中山大学 | 一种压缩红外感知实现的手势识别装置及识别方法 |
CN110020623A (zh) * | 2019-04-04 | 2019-07-16 | 中山大学 | 基于条件变分自编码器的人体活动识别系统及方法 |
CN111797814A (zh) * | 2020-07-21 | 2020-10-20 | 天津理工大学 | 基于通道融合和分类器对抗的无监督跨域动作识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10482600B2 (en) * | 2018-01-16 | 2019-11-19 | Siemens Healthcare Gmbh | Cross-domain image analysis and cross-domain image synthesis using deep image-to-image networks and adversarial networks |
US10885383B2 (en) * | 2018-05-16 | 2021-01-05 | Nec Corporation | Unsupervised cross-domain distance metric adaptation with feature transfer network |
-
2020
- 2020-10-29 CN CN202011178153.7A patent/CN112232268B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020656A (zh) * | 2012-12-19 | 2013-04-03 | 中山大学 | 一种压缩红外感知实现的手势识别装置及识别方法 |
CN110020623A (zh) * | 2019-04-04 | 2019-07-16 | 中山大学 | 基于条件变分自编码器的人体活动识别系统及方法 |
CN111797814A (zh) * | 2020-07-21 | 2020-10-20 | 天津理工大学 | 基于通道融合和分类器对抗的无监督跨域动作识别方法 |
Non-Patent Citations (1)
Title |
---|
基于跨域对抗学习的零样本分类;刘欢;郑庆华;罗敏楠;赵洪科;肖阳;吕彦章;;计算机研究与发展(第12期) * |
Also Published As
Publication number | Publication date |
---|---|
CN112232268A (zh) | 2021-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112308158B (zh) | 一种基于部分特征对齐的多源领域自适应模型及方法 | |
CN112232268B (zh) | 一种结合深度学习和对抗特征解耦的跨域动作识别方法 | |
CN110728360A (zh) | 一种基于bp神经网络的微能源器件能量识别方法 | |
CN108985252B (zh) | 改进的脉冲深度神经网络的图像分类方法 | |
CN115238835B (zh) | 基于双空间自适应融合的脑电情感识别方法、介质及设备 | |
CN111723239B (zh) | 一种基于多模态的视频标注方法 | |
Pang et al. | Median stable clustering and global distance classification for cross-domain person re-identification | |
Liu et al. | Crop disease recognition based on modified light-weight CNN with attention mechanism | |
CN111723662B (zh) | 一种基于卷积神经网络的人体姿态识别方法 | |
CN112418175A (zh) | 基于域迁移的滚动轴承故障诊断方法、系统及存储介质 | |
CN115221969A (zh) | 基于emd数据增强和并行scn的运动想象脑电信号识别方法 | |
Feng et al. | Network protocol recognition based on convolutional neural network | |
Zeng et al. | An adaptive specific emitter identification system for dynamic noise domain | |
CN111461000A (zh) | 一种基于cnn和小波分析的办公室垃圾智能分类方法 | |
Yang et al. | Cross-modal federated human activity recognition via modality-agnostic and modality-specific representation learning | |
CN114626550A (zh) | 分布式模型协同训练方法和系统 | |
CN112861705B (zh) | 一种基于混合学习的跨域行人重识别方法 | |
CN113763417B (zh) | 一种基于孪生网络和残差结构的目标跟踪方法 | |
CN109063571A (zh) | 基于小波包分解的人工蜂群bp神经网络信号识别方法 | |
CN116824270A (zh) | 一种基于注意力机制改进的小样本车型识别方法 | |
Zhang et al. | Heterogeneous deep model fusion for automatic modulation classification | |
Gai et al. | Spectrum sensing method based on residual cellular network | |
CN116738251A (zh) | 一种基于生成对抗网络的射频指纹识别训练数据生成方法 | |
CN114724245B (zh) | 基于csi的增量学习人体动作识别方法 | |
Qiu et al. | DeepSIG: A Hybrid Heterogeneous Deep Learning Framework for Radio Signal Classification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |