CN112954633A - 一种基于参数约束的双网络架构室内定位方法 - Google Patents
一种基于参数约束的双网络架构室内定位方法 Download PDFInfo
- Publication number
- CN112954633A CN112954633A CN202110102428.7A CN202110102428A CN112954633A CN 112954633 A CN112954633 A CN 112954633A CN 202110102428 A CN202110102428 A CN 202110102428A CN 112954633 A CN112954633 A CN 112954633A
- Authority
- CN
- China
- Prior art keywords
- network
- layer
- constraint
- domain data
- parameter
- 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.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
-
- 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
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
- H04W16/225—Traffic simulation tools or models for indoor or short range network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
- H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/318—Received signal strength
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明属于室内定位技术领域,具体是涉及一种基于参数约束的双网络架构室内定位方法。本发明利用基于参数约束的双网络架构,通过不同网络提取不同领域的数据特征,打破了单一网络架构只能提取公共特征的限制,能够充分提取不同领域的数据特征。对网络参数施加的线性约束,显式建模了室内定位环境中的数据分布漂移,从参数角度对分布漂移进行线性补偿,最大程度地减小领域差异,进而使模型能够有效地适应复杂的室内环境。本发明能够有效降低不同领域的数据分布差异,从而本发明是一种能够在复杂室内环境中实现高精度定位的方法。
Description
技术领域
本发明属于室内定位技术领域,具体是涉及一种基于参数约束的双网络架构室内定位方法。
背景技术
随着智能设备的普及和物联网技术的飞速发展,室内定位技术获得了极大的市场机遇。基于室内环境的定位服务在商业、医疗和军事等方面的应用需求不断增长,刺激了室内定位技术和系统的快速发展。常见的室内定位技术包括红外、超声波、可见光、UWB和WiFi等,其中红外、超声波、可见光定位需要事先部署信号发射装置,需要耗费大量人力财力,因此普及率较低;UWB定位的设备昂贵,通常只适用于工业环境难以普及。基于以上因素已经被广泛部署在商场、机场航站楼等大型建筑中的WiFi信号成为了大多数定位系统选择使用的信号源。
目前,基于WiFi的定位方法主要分为两大类:三角定位法和指纹定位法。三角定位法容易受到多径效应和非视距效应的影响导致定位效果不稳定,指纹定位法依赖离线建立的指纹库相比于三角定位法更加稳定。指纹定位法主要包含离线建库和在线定位两个阶段。离线建库阶段,将室内环境划分成不同网格,记录下中心坐标并给定网格编号,不同坐标有且仅有唯一编号。在不同网格上通过移动设备采集环境中所有接入点的接收信号强度(Received Signal Strength,RSS),将RSS值与网格坐标及编号拼接构成离线指纹库。在线定位阶段,给定一个未知位置的RSS样本,通过匹配算法在指纹库中找到相似度最高的指纹,并将其对应的坐标作为对未知RSS样本的位置估计。传统的基于指纹的定位方法假设在线定位阶段的样本与离线建库阶段的指纹具有相同的数据分布,但在真实的室内环境下,由于异构设备采样值存在偏差和环境的实时变化,两个阶段的样本数据分布会存在一定程度上的差异,传统的定位方法将导致定位误差增大。
文献“B.Sun and K.Saenko,“Deep coral:Correlation alignment for deepdomain adaptation,”in European conference on computer vision,2016,pp.443–450”提出了一种深度协方差对齐(Deep Correlation Alignment,Deep CORAL)的方法,通过减小源域特征和目标域特征的二阶统计差异减小领域差异。文献“M.Long,Y.Cao,J.Wang,andM.Jordan,“Learning transferable features with deep adaptation networks,”inInternational conference on machine learning,2015,pp.97–105”在多个全连接层上使用最大均值差异准则(Maximum Mean Discrepancy,MMD)的多核形式,将源域和目标域数据映射到希尔伯特空间上缩小差异。但上述两种方法对不同领域的数据使用了同种网络结构进行特征提取,这使得网络模型只能挖掘不同领域数据的公共特征,极大程度地限制了网络对某一领域数据的特征提取能力。此外,由于相同网络提取的特征为两个领域的公共部分,将会导致后续缩小领域差异不充分,尤其是在两个领域的数据分布差异较大的情况下,进而导致模型的定位性能下降。基于上述原因,此类方法在复杂的室内定位环境中难以实现准确的定位。
发明内容
本发明的目的是,为克服上述技术的不足,提供一种新的基于参数约束的双网络架构室内定位方法。如图1所示,方法采用两个结构相同且初始化参数相同的深度神经网络,分别记为源网络和目标网络。在训练阶段,对源网络和目标网络对应层的参数施加线性约束,并将源域数据和目标域数据分别输入到源网络和目标网络中同时训练。在测试阶段,利用目标网络实现在复杂的室内环境中的准确定位。
本发明的技术方案是:一种基于参数约束的双网络架构室内定位方法,包括以下步骤:
S1、将室内环境划分为等大小的网格区域,记录网格的位置坐标并设置标签,一个位置坐标有且仅有唯一的标签与之对应,网格标签可以表示为:
Ys={yk|k=1,2,…,C}
其中,C代表室内环境划分的总网格区域数;
其中,Xs表示在室内环境中采集到的总数量为ns的RSS样本,可详细表示为:
Xs={xi T|i=1,2,…,ns}
更详细地,第i条RSS样本值可以表示为:
其中,Xt表示待定位设备在室内环境中收集的RSS样本集合,可详细表示为:
Xt={xj T|j=1,2,…,nt}
其中,nt表示目标域数据的总数量;
S4、构建两个结构完全相同的深度神经网络,分别记为源网络和目标网络,对应网络的参数记为Θs和Θt。其中,Θ表示神经网络参数,具体可以表示为:
其中,L表示神经网络的层数,Θ(i)表示第i层的网络参数,主要包括该层的权重矩阵W(i)和偏置向量b(i)两项。
S5、对源网络和目标网络的对应层参数施加线性约束。网络的前(L-1)层作为特征提取部分,参数不共享并施加线性约束。最后一层作为分类层,由于分类任务一致,该层参数由两个网络共享。
进一步地,步骤S5中对网络参数施加线性约束的具体步骤为:
S51、初始化两个网络第i层的线性约束参数为ai=1,di=0;
进一步地,步骤S6训练网络模型的具体步骤为:
其中,φ为核映射,核函数k(Fs,Ft)=<φ(Fs),φ(Ft)>;
S7、采用训练好的目标网络对来自第(n+1)个月的待定位设备的RSS值进行定位,得到定位结果。
本发明的有益效果是:本发明使用双网络架构分别对源域和目标域数据进行特征提取,能够充分挖掘不同领域的深层特征,克服了单网络架构只提取公共特征的弊端。通过对源网络和目标网络参数进行线性约束,显式建模了室内定位环境中RSS信号的漂移情况,从参数角度对数据漂移进行补偿,从而缩小不同领域的特征差异。因此本发明提出的基于参数约束的双网络架构室内定位方法是一种高精度的实时定位方法。
附图说明
图1为基于参数约束的双网络架构室内定位模型的结构示意图;
图2为基于参数约束的双网络架构室内定位方法流程图;
图3为背景技术方法和本发明方法在环境变化下的定位累计误差百分比;
图4为背景技术方法和本发明方法在相同月份同种设备和不同设备下的定位误差对比图。
具体实施方式
下面结合附图及实施例,详细描述本发明的技术方案:
如图2所示,本发明主要包括以下步骤:
步骤1.将室内环境划分为等大小的网格区域,记录网格的位置坐标并设置标签,一个位置坐标有且仅有唯一的标签与之对应,网格标签可以表示为:
Ys={yk|k=1,2,…,C}
其中,C代表室内环境划分的总网格区域数;
其中,Xs表示在室内环境中采集到的总数量为ns的RSS样本,可详细表示为:
Xs={xi T|i=1,2,…,ns}
更详细地,第i条RSS样本值可以表示为:
其中,Xt表示待定位设备在室内环境中收集的RSS样本集合,可详细表示为:
Xt={xj T|j=1,2,…,nt}
其中,nt表示目标域数据的总数量;
步骤4.构建两个结构完全相同的深度神经网络,分别记为源网络和目标网络,对应网络的参数记为Θs和Θt。其中,Θ表示神经网络参数,具体可以表示为:
其中,L表示神经网络的层数,Θ(i)表示第i层的网络参数,主要包括该层的权重矩阵W(i)和偏置向量b(i)两项。实施例中使用5层全连接层构建一个神经网络。
步骤5.对源网络和目标网络的对应层参数施加线性约束,显式地对室内环境中RSS信号的分布漂移进行建模。网络的前4层作为特征提取部分,参数不共享并施加线性约束。最后一层作为分类层,由于分类任务一致,该层参数由两个网络共享。
进一步地,步骤5中对网络参数施加线性约束的具体步骤为:
步骤5-1、初始化两个网络第i层的线性约束参数为ai=1,di=0;
进一步地,步骤6训练网络模型的具体步骤为:
其中,φ为核映射,核函数k(Fs,Ft)=<φ(Fs),φ(Ft)>;
步骤7.将第(n+1)个月的待定位设备的RSS值输入由步骤6训练好的目标域网络中,输出该条RSS样本的估计标签并转换为二维坐标得到定位结果。
实施例
以此模型对在西班牙Jaume I大学采集的RSS公开数据集进行实验,数据采集区域的面积约308.4平方米,一共划分为48个网格,该区域共覆盖620个接入点。使用第1个月的样本及标签作为源域数据,共包含8640条样本;使用第n个月(n≥2)的样本作为无标签目标域数据,样本数目为3120条;使用第(n+1)个月实时收到的每条RSS数据作为测试数据,验证模型效果。
神经网络包含5个全连接层,每一层的神经元个数依次为256,128,128,128和48,初始化参数设置为随机初始化。
本发明设计了两组实验来验证提出算法的优越性。第一组实验是对比背景技术方法和本发明方法在环境变化下的定位累计误差百分比,如图3所示,在仅存在环境变化因素影响的情况下,本发明的平均定位误差为2.40m,且有80%的样本误差在4m以内,明显优于两种背景技术方法;第二组实验是对比背景技术方法和本发明方法在相同月份下,同种设备(设备1)和不同设备(设备2)测量值下的定位误差对比,如图4所示,本发明方法的定位误差均明显低于两种背景技术方法;两组实验的结果证明,本发明利用基于参数约束的双网络架构,通过不同网络提取不同领域的数据特征,打破了单一网络架构只能提取公共特征的限制,能够充分发挥深度网络提取特征的优势。对网络参数的线性约束,显式建模了室内定位环境中的数据分布漂移,从参数角度对分布漂移进行补偿,最大程度地减小域差异,进而使模型能够有效地适应复杂的室内环境。综上所述,本发明是一种能够在复杂室内环境中实现准确且稳定定位的方法。
Claims (3)
1.一种基于参数约束的双网络架构室内定位方法,其特征在于,包括以下步骤:
S1、将室内环境划分为等大小的网格区域,记录网格的位置坐标并设置标签,一个位置坐标有且仅有唯一的标签与之对应,网格标签表示为:
Ys={yk|k=1,2,…,C}
其中,C代表室内环境划分的总网格区域数;
其中,Xs表示在室内环境中采集到的总数量为ns的RSS样本,表示为:
Xs={xi T|i=1,2,…,ns}
第i条RSS样本值表示为:
其中,Xt表示待定位设备在室内环境中收集的RSS样本集合,表示为:
Xt={xj T|j=1,2,…,nt}
其中,nt表示目标域数据的总数量;
S4、构建两个结构完全相同的深度神经网络,分别记为源网络和目标网络,对应网络的参数记为Θs和Θt;其中,Θ表示神经网络参数,表示为:
其中,L表示神经网络的层数,Θ(i)表示第i层的网络参数,包括该层的权重矩阵W(i)和偏置向量b(i)两项;
S5、对源网络和目标网络的对应层参数施加线性约束;网络的前(L-1)层作为特征提取部分,参数不共享并施加线性约束;最后一层作为分类层,该层参数由两个网络共享;
S7、采用训练好的目标网络对来自第(n+1)个月的待定位设备的RSS值进行定位,得到定位结果。
3.根据权利要求1或2所述的一种基于参数约束的双网络架构室内定位方法,其特征在于,步骤S6中训练网络模型的具体方法为:
其中,φ为核映射,核函数k(Fs,Ft)=<φ(Fs),φ(Ft)>;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110102428.7A CN112954633B (zh) | 2021-01-26 | 2021-01-26 | 一种基于参数约束的双网络架构室内定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110102428.7A CN112954633B (zh) | 2021-01-26 | 2021-01-26 | 一种基于参数约束的双网络架构室内定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112954633A true CN112954633A (zh) | 2021-06-11 |
CN112954633B CN112954633B (zh) | 2022-01-28 |
Family
ID=76236827
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110102428.7A Active CN112954633B (zh) | 2021-01-26 | 2021-01-26 | 一种基于参数约束的双网络架构室内定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112954633B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117289207A (zh) * | 2023-11-22 | 2023-12-26 | 成都宜泊信息科技有限公司 | 一种适用于室内nlos环境的定位方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101751921A (zh) * | 2009-12-16 | 2010-06-23 | 南京邮电大学 | 一种在训练数据量极少条件下的实时语音转换方法 |
CN102353969A (zh) * | 2011-09-02 | 2012-02-15 | 东南大学 | 精密单点定位技术中相位偏差的估计方法 |
CN102932738A (zh) * | 2012-10-31 | 2013-02-13 | 北京交通大学 | 一种改进的基于分簇神经网络的室内指纹定位方法 |
CN103716879A (zh) * | 2013-12-26 | 2014-04-09 | 北京交通大学 | Nlos环境下采用距离几何的无线定位新方法 |
CN103826298A (zh) * | 2014-03-05 | 2014-05-28 | 浙江农林大学 | 一种协作式迭代优化的无线传感器网络定位计算方法 |
CN104596443A (zh) * | 2015-01-26 | 2015-05-06 | 长春师范大学 | 基于三线激光器固有特性的光平面方程拟合定位标定方法 |
CN107220368A (zh) * | 2017-06-09 | 2017-09-29 | 北京邮电大学 | 图像检索方法及装置 |
CN107561489A (zh) * | 2017-07-31 | 2018-01-09 | 西北工业大学 | 基于异常检测的mls无源测向定位方法 |
EP3340618A1 (en) * | 2016-12-22 | 2018-06-27 | Thomson Licensing | Geometric warping of a stereograph by positional constraints |
CN108898138A (zh) * | 2018-05-30 | 2018-11-27 | 西安理工大学 | 基于深度学习的场景文本识别方法 |
CN109348410A (zh) * | 2018-11-16 | 2019-02-15 | 电子科技大学 | 基于全局和局部联合约束迁移学习的室内定位方法 |
US20190138673A1 (en) * | 2017-11-09 | 2019-05-09 | Desktop Metal, Inc. | Growth-Based Design System |
CN111583342A (zh) * | 2020-05-14 | 2020-08-25 | 中国科学院空天信息创新研究院 | 一种基于双目视觉的目标快速定位方法及装置 |
CN112036260A (zh) * | 2020-08-10 | 2020-12-04 | 武汉星未来教育科技有限公司 | 一种自然环境下多尺度子块聚合的表情识别方法及系统 |
CN112113570A (zh) * | 2020-09-15 | 2020-12-22 | 电子科技大学 | 一种基于深度迁移和模型参数集成的室内定位方法 |
-
2021
- 2021-01-26 CN CN202110102428.7A patent/CN112954633B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101751921A (zh) * | 2009-12-16 | 2010-06-23 | 南京邮电大学 | 一种在训练数据量极少条件下的实时语音转换方法 |
CN102353969A (zh) * | 2011-09-02 | 2012-02-15 | 东南大学 | 精密单点定位技术中相位偏差的估计方法 |
CN102932738A (zh) * | 2012-10-31 | 2013-02-13 | 北京交通大学 | 一种改进的基于分簇神经网络的室内指纹定位方法 |
CN103716879A (zh) * | 2013-12-26 | 2014-04-09 | 北京交通大学 | Nlos环境下采用距离几何的无线定位新方法 |
CN103826298A (zh) * | 2014-03-05 | 2014-05-28 | 浙江农林大学 | 一种协作式迭代优化的无线传感器网络定位计算方法 |
CN104596443A (zh) * | 2015-01-26 | 2015-05-06 | 长春师范大学 | 基于三线激光器固有特性的光平面方程拟合定位标定方法 |
EP3340618A1 (en) * | 2016-12-22 | 2018-06-27 | Thomson Licensing | Geometric warping of a stereograph by positional constraints |
US20180182178A1 (en) * | 2016-12-22 | 2018-06-28 | Thomson Licensing | Geometric warping of a stereograph by positional contraints |
CN107220368A (zh) * | 2017-06-09 | 2017-09-29 | 北京邮电大学 | 图像检索方法及装置 |
CN107561489A (zh) * | 2017-07-31 | 2018-01-09 | 西北工业大学 | 基于异常检测的mls无源测向定位方法 |
US20190138673A1 (en) * | 2017-11-09 | 2019-05-09 | Desktop Metal, Inc. | Growth-Based Design System |
CN108898138A (zh) * | 2018-05-30 | 2018-11-27 | 西安理工大学 | 基于深度学习的场景文本识别方法 |
CN109348410A (zh) * | 2018-11-16 | 2019-02-15 | 电子科技大学 | 基于全局和局部联合约束迁移学习的室内定位方法 |
CN111583342A (zh) * | 2020-05-14 | 2020-08-25 | 中国科学院空天信息创新研究院 | 一种基于双目视觉的目标快速定位方法及装置 |
CN112036260A (zh) * | 2020-08-10 | 2020-12-04 | 武汉星未来教育科技有限公司 | 一种自然环境下多尺度子块聚合的表情识别方法及系统 |
CN112113570A (zh) * | 2020-09-15 | 2020-12-22 | 电子科技大学 | 一种基于深度迁移和模型参数集成的室内定位方法 |
Non-Patent Citations (6)
Title |
---|
ARTEM ROZANTSEV等: "Residual Parameter Transfer for Deep Domain Adaptation", 《2018 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
CHONGBEN TAO等: "Indoor 3D Semantic Robot VSLAM Based on Mask Regional Convolutional Neural Network", 《IEEE ACCESS》 * |
YAJIE SONG等: "An Adaptive and Robust Model for WiFi-based Localization", 《IN ACM TURING CELEBRATION CONFERENCE-CHINA(ACM TURC"20)》 * |
侯缓缓: "无线室内定位中的环境适应方法研究与实现", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
厚丹妮: "基于深度学习的位置指纹室内定位算法研究", 《中国优秀硕士学位论文全文数据库》 * |
徐略钧: "基于深度学习的无线室内定位关键技术的研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117289207A (zh) * | 2023-11-22 | 2023-12-26 | 成都宜泊信息科技有限公司 | 一种适用于室内nlos环境的定位方法 |
CN117289207B (zh) * | 2023-11-22 | 2024-01-26 | 成都宜泊信息科技有限公司 | 一种适用于室内nlos环境的定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112954633B (zh) | 2022-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110110116B (zh) | 一种整合深度卷积网络和语义分析的商标图像检索方法 | |
CN103514606A (zh) | 一种异源遥感影像配准方法 | |
CN110531313A (zh) | 一种基于深度神经网络回归模型的近场信号源定位方法 | |
CN112949407B (zh) | 一种基于深度学习和点集优化的遥感影像建筑物矢量化方法 | |
CN110536257B (zh) | 一种基于深度自适应网络的室内定位方法 | |
CN109993224A (zh) | 基于深度学习与多核学习的geo卫星形状与姿态识别方法 | |
CN109143161B (zh) | 基于混合指纹质量评价模型的高精度室内定位方法 | |
CN105354841A (zh) | 一种快速遥感影像匹配方法及系统 | |
CN108896962A (zh) | 基于声音位置指纹的迭代定位方法 | |
CN110991284A (zh) | 一种基于场景预分类的光学遥感图像语句描述生成方法 | |
CN114241464A (zh) | 基于深度学习的跨视角影像实时匹配地理定位方法及系统 | |
Jung et al. | A line-based progressive refinement of 3D rooftop models using airborne LiDAR data with single view imagery | |
CN112954633B (zh) | 一种基于参数约束的双网络架构室内定位方法 | |
CN113132931B (zh) | 一种基于参数预测的深度迁移室内定位方法 | |
CN110161480A (zh) | 基于半监督深度概率模型的雷达目标识别方法 | |
CN116229519A (zh) | 一种基于知识蒸馏的二维人体姿态估计方法 | |
CN112580479A (zh) | 一种基于空洞卷积神经网络的地磁式室内定位系统 | |
CN108629295A (zh) | 转角地标识别模型训练方法、转角地标识别方法及装置 | |
CN112113570B (zh) | 一种基于深度迁移和模型参数集成的室内定位方法 | |
CN109121081B (zh) | 一种基于位置候选集与em算法的室内定位方法 | |
CN114693932A (zh) | 一种大型飞机大部件点云语义分割方法 | |
Meng et al. | Tropical cyclone size estimation using deep convolutional neural network | |
CN105704676A (zh) | 利用信号时间相关性提高指纹室内定位精度的方法 | |
CN117710508A (zh) | 基于改进条件生成对抗网络的近地表温度反演方法和装置 | |
CN110321528A (zh) | 一种基于半监督地理空间回归分析的高光谱影像土壤重金属浓度评估方法 |
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 |