CN114007050A - 一种基于北斗通信的目标识别图像传输方法 - Google Patents

一种基于北斗通信的目标识别图像传输方法 Download PDF

Info

Publication number
CN114007050A
CN114007050A CN202111197658.2A CN202111197658A CN114007050A CN 114007050 A CN114007050 A CN 114007050A CN 202111197658 A CN202111197658 A CN 202111197658A CN 114007050 A CN114007050 A CN 114007050A
Authority
CN
China
Prior art keywords
neural network
convolutional neural
image
beidou
ship
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.)
Pending
Application number
CN202111197658.2A
Other languages
English (en)
Inventor
黄建华
张姚
纪元法
孙希延
符强
王守华
严素清
殷文君
乔政涵
王雪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guilin University of Electronic Technology
Original Assignee
Guilin University of Electronic Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guilin University of Electronic Technology filed Critical Guilin University of Electronic Technology
Priority to CN202111197658.2A priority Critical patent/CN114007050A/zh
Publication of CN114007050A publication Critical patent/CN114007050A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/20—Adaptations for transmission via a GHz frequency band, e.g. via satellite
    • 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
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/14—Relay systems
    • H04B7/15—Active relay systems
    • H04B7/185—Space-based or airborne stations; Stations for satellite systems
    • H04B7/1851—Systems using a satellite or space-based relay
    • H04B7/18513—Transmission in a satellite or space-based system
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/04—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks
    • H04L63/0428—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/12—Messaging; Mailboxes; Announcements
    • H04W4/14—Short messaging services, e.g. short message services [SMS] or unstructured supplementary service data [USSD]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computer Security & Cryptography (AREA)
  • Astronomy & Astrophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及视频监控技术领域，公开了一种基于北斗通信的目标识别图像传输方法，利用摄像仪自动抓拍海上舰船图像，并对所述舰船图像进行预处理；对卷积神经网络进行微调，并利用微调后的所述卷积神经网络对预处理后的所述舰船图像进行特征卷积和串联；基于北斗通信，将经过微调后的所述卷积神经网络输出的数据进行编译和传输，同时存入数据库中，取代了传统的图像压缩复原技术方案，直接提取图像中有用的信息，以文字形式进行北斗短报文的编译，传输和预警，目标识别提取图像关键信息并将图像归类，将本来占用内存较大的图像，转换成文字形式传输，这样就可以满足北斗短报文的传输最大容量的限制。

Description

一种基于北斗通信的目标识别图像传输方法
技术领域
本发明涉及视频监控技术领域，尤其涉及一种基于北斗通信的目标识别图像传输方法。
背景技术
由于我国岛屿众多，偏远海岛缺乏常规通信信号，北斗短报文传输有120字的限制，而图像占用字节较大，导致在偏远海岛地区，传输图像信息非常困难。现在主要的解决方式采用图像压缩复现的方式，但由于图像大小的限制，图像压缩后的大小对于北斗传输容量要求较高。
发明内容
本发明的目的在于提供一种基于北斗通信的目标识别图像传输方法，将本来占用内存较大的图像，转换成文字形式传输，这样就可以满足北斗短报文的传输最大容量的限制。
为实现上述目的，本发明提供了一种基于北斗通信的目标识别图像传输方法，包括一下步骤：
利用摄像仪自动抓拍海上舰船图像，并对所述舰船图像进行预处理；
对卷积神经网络进行微调，并利用微调后的所述卷积神经网络对预处理后的所述舰船图像进行特征卷积和串联；
基于北斗通信，将经过微调后的所述卷积神经网络输出的数据进行编译和传输，同时存入数据库中。
其中，所述方法还包括：
通过调用存储在数据库中的信息，通过前端平台进行数据展示。
其中，对卷积神经网络进行微调，并利用微调后的所述卷积神经网络对预处理后的所述舰船图像进行特征卷积和串联，包括：
将VGGNET-16卷积神经网络中的Soft-Max层的路数从1000修改为N，其中N为船型的数量，并使用Caffe框架对CNN进行微调；
随机获取任一张预处理后的所述舰船图像，输入微调后的所述VGGNET-16卷积神经网络中，得到卷积特征；
将所述卷积特征经过Fisher向量池后，结合全连接层的输出数据，完成特征串联，经过输出层后，得到对应的类型标签。
其中，将VGGNET-16卷积神经网络中的Soft-Max层的路数从1000修改为N，其中N为船型的数量，并使用Caffe框架对CNN进行微调后，所述方法还包括：
训练CNN的全连接层和softmax层，并在训练的同时，将所述VGGNET-16卷积神经网络中除全连接层和softmax层外的其他层冻结。
其中，基于北斗通信，将经过微调后的所述卷积神经网络输出的数据进行编译和传输，同时存入数据库中，包括：
基于北斗协议编译，将所述卷积神经网络输出的类型标签编译生成北斗短报文传输格式；
将包含接收方ID号和通讯内容的通讯申请信号加密后通过卫星转发入站；在地面中心站接收到通讯申请信号后，经脱密和再加密后，加入持续广播的出站广播电文中，经卫星广播给用户，最后解调解密出站电文存入数据库。
本发明的一种基于北斗通信的目标识别图像传输方法，利用摄像仪自动抓拍海上舰船图像，并对所述舰船图像进行预处理；对卷积神经网络进行微调，并利用微调后的所述卷积神经网络对预处理后的所述舰船图像进行特征卷积和串联；基于北斗通信，将经过微调后的所述卷积神经网络输出的数据进行编译和传输，同时存入数据库中，取代了传统的图像压缩复原技术方案，直接提取图像中有用的信息，以文字形式进行北斗短报文的编译，传输和预警，目标识别提取图像关键信息并将图像归类，将本来占用内存较大的图像，转换成文字形式传输，这样就可以满足北斗短报文的传输最大容量的限制。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的一种基于北斗通信的目标识别图像传输方法的步骤示意图。
图2是本发明提供的一种基于北斗通信的目标识别图像传输方法的流程示意图。
图3是本发明提供的目标检测信息传输示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
请参阅图1至图3，本发明提供一种基于北斗通信的目标识别图像传输方法，包括以下步骤：
S101、利用摄像仪自动抓拍海上舰船图像，并对所述舰船图像进行预处理。
具体的，利用海上摄像仪自动抓拍海上舰船图像，并对所述舰船图像进行预处理，其中，图像处理包括清晰度等的常规处理过程，这样做的好处是保证在后期识别过程中，可以保证能够准确的精准的识别特征，减少误差。
S102、对卷积神经网络进行微调，并利用微调后的所述卷积神经网络对预处理后的所述舰船图像进行特征卷积和串联。
具体的，引用了深度特征来识别图像中的目标，结合卷积神经网络的全连接特征和卷积特征，进一步提高了卷积特征的显示效果。船舶数据集由六种船舶类型组成，每种类型有100个图像样本，数据集的图像分辨率约为0.3米，适用于图像中的目标识别。本发明训练主要从以下两个方向进行研究：
①卷积神经网络微调，选择VGGNET-16作为卷积神经网络模型，并根据识别任务对其进行了一些修改。VGGNET-16已经在大规模图像数据集上进行了训练并且可以通过微调容易地转移到其他域。VGGNET-16由十三个卷积层、两个全连接层和一个1000路Soft-Max层组成。根据我们的识别任务，将Soft-Max层的路数从1000修改为N，其中N为船型的数量。使用Caffe框架对CNN进行微调。为了避免过度拟合，训练CNN的全连接层和softmax层，其他层冻结。权重的更新公式：
ωi+1＝ωi+vi+1
Figure BDA0003303772160000041
其中，i迭代索引，v是动量变量，m是动量，d权重衰减，∈是学习率，
Figure BDA0003303772160000042
是第i次Di的平均目标
Figure BDA0003303772160000043
对ω的导数，计算在ωi这个
Figure BDA0003303772160000044
目标函数是：
Figure BDA0003303772160000045
其中，
Figure BDA0003303772160000046
是实际输出，yi是预期输出，
Figure BDA0003303772160000047
是批量大小，d是重量衰减，L是层数。
为了进一步避免过度拟合，数据扩充是必要的。本发明采用的数据增强策略包括图像旋转、剪切和水平反射。此外，微调过程中，在两个完全连接的层中使用了丢弃策略。
②特征池和组合，拿一张摄像头拍摄的图像，令其从微调VGGNET-16中提取的卷积特征为：
X＝{xt，t＝1，2，...，T}，其中xt是M维向量。M等于卷积特征图的通道数，T等于卷积特征图的通道数，为了控制合并的卷积特征的长度，xt通过PCA减少到M′。让U＝{ui，i＝1，2，...，K}设为高斯核函数，K表示高斯函数子函数个数，让ωi，μi，和
Figure BDA0003303772160000048
代表高斯核函数的混合权重、均值向量和方差向量，我们可以得到合并的卷积特征Ffv，其中gμ，i是卷积特征Ffv函数的子函数：
Ffv＝[gμ，1，gσ，1，gμ，2，gσ，2，...，gμ，K，gσ，k，]
Figure BDA00033037721600000410
Figure BDA00033037721600000411
Figure BDA0003303772160000051
其中，γt(i)是xt高斯内核ui的软任务对象识别的结合特性Fcom连接Ffc和混合卷积特性Ffv对全功能。
将所述卷积特征经过Fisher向量池后，结合全连接层的输出数据，完成特征串联，经过输出层后，得到对应的类型标签。
S103、基于北斗通信，将经过微调后的所述卷积神经网络输出的数据进行编译和传输，同时存入数据库中。
具体的，北斗协议编译，将图像处理模块生成的图像文字信息，编译生成北斗短报文传输格式。北斗短报文传输，经历首先将包含接收方ID号和通讯内容的通讯申请信号加密后通过卫星转发入站；地面中心站接收到通讯申请信号后，经脱密和再加密后加入持续广播的出站广播电文中，经卫星广播给用户，最后解调解密出站电文存入数据库。
所述北斗协议编译包括如下步骤：
S301.编译格式分为指令、长度、用户地址、信息内容、校验和五个模块；
S302.将图像识别出的内容，编译到信息内容模块，指令模块为通信申请($TXSQ)；
S303.通信申请模块包括报问通信、密钥、通信类别、传输方式、标志位。
所属北斗短报文传输的实现方法包括如下步骤：
S401.北斗短报文传输经过北斗信息处理、北斗发布、平台信息录入；
S402.北斗信息处理包括北斗发布协议、北斗传输协议、北斗通用通信协议；
S403.北斗发布包括北斗发布协议、北斗传输协议；
S404.平台信息录入包括了IP协议、常规传输协议、信息处理。
有益效果
1、首次采用北斗通信+目标识别这种方式开展海防，取代了传统的图像压缩复原技术方案，直接提取图像中有用的信息，以文字形式进行北斗短报文的编译，传输和预警。
2、目标识别提取图像关键信息并将图像归类，将本来占用内存较大的图像，转换成文字形式传输，这样就可以满足北斗短报文的传输最大容量的限制；
3、北斗短报文通信，成本低，不受地域的限制，目标识别机器自动识别，无需人员值守和操作，大大提升了我国偏远海岛的海防预警能力；
4、北斗短报文传输链路具有高度安全性的数据加密功能和权限认证技术，管控性强，具有良好的安全性。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims (5)

1.一种基于北斗通信的目标识别图像传输方法，其特征在于，包括以下步骤：
利用摄像仪自动抓拍海上舰船图像，并对所述舰船图像进行预处理；
对卷积神经网络进行微调，并利用微调后的所述卷积神经网络对预处理后的所述舰船图像进行特征卷积和串联；
基于北斗通信，将经过微调后的所述卷积神经网络输出的数据进行编译和传输，同时存入数据库中。
2.如权利要求1所述的基于北斗通信的目标识别图像传输方法，其特征在于，所述方法还包括：
通过调用存储在数据库中的信息，通过前端平台进行数据展示。
3.如权利要求1所述的基于北斗通信的目标识别图像传输方法，其特征在于，对卷积神经网络进行微调，并利用微调后的所述卷积神经网络对预处理后的所述舰船图像进行特征卷积和串联，包括：
将VGGNET-16卷积神经网络中的Soft-Max层的路数从1000修改为N，其中N为船型的数量，并使用Caffe框架对CNN进行微调；
随机获取任一张预处理后的所述舰船图像，输入微调后的所述VGGNET-16卷积神经网络中，得到卷积特征；
将所述卷积特征经过Fisher向量池后，结合全连接层的输出数据，完成特征串联，经过输出层后，得到对应的类型标签。
4.如权利要求3所述的基于北斗通信的目标识别图像传输方法，其特征在于，将VGGNET-16卷积神经网络中的Soft-Max层的路数从1000修改为N，其中N为船型的数量，并使用Caffe框架对CNN进行微调后，所述方法还包括：
训练CNN的全连接层和softmax层，并在训练的同时，将所述VGGNET-16卷积神经网络中除全连接层和softmax层外的其他层冻结。
5.如权利要求1所述的基于北斗通信的目标识别图像传输方法，其特征在于，基于北斗通信，将经过微调后的所述卷积神经网络输出的数据进行编译和传输，同时存入数据库中，包括：
基于北斗协议编译，将所述卷积神经网络输出的类型标签编译生成北斗短报文传输格式；
将包含接收方ID号和通讯内容的通讯申请信号加密后通过卫星转发入站；在地面中心站接收到通讯申请信号后，经脱密和再加密后，加入持续广播的出站广播电文中，经卫星广播给用户，最后解调解密出站电文存入数据库。
CN202111197658.2A 2021-10-14 2021-10-14 一种基于北斗通信的目标识别图像传输方法 Pending CN114007050A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111197658.2A CN114007050A (zh) 2021-10-14 2021-10-14 一种基于北斗通信的目标识别图像传输方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111197658.2A CN114007050A (zh) 2021-10-14 2021-10-14 一种基于北斗通信的目标识别图像传输方法

Publications (1)

Publication Number Publication Date
CN114007050A true CN114007050A (zh) 2022-02-01

Family

ID=79922822

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111197658.2A Pending CN114007050A (zh) 2021-10-14 2021-10-14 一种基于北斗通信的目标识别图像传输方法

Country Status (1)

Country Link
CN (1) CN114007050A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115022253A (zh) * 2022-05-25 2022-09-06 西安北斗安全技术有限公司 基于北斗三代卫星短报文和人工智能的图像传输方法
CN115118332A (zh) * 2022-08-26 2022-09-27 天津先进技术研究院 一种基于北斗卫星实现数据传输的方法和系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106487441A (zh) * 2016-10-20 2017-03-08 宁波盛域海洋电子科技有限公司 一种基于北斗通信的船舶信息传输系统
CN107562923A (zh) * 2017-09-13 2018-01-09 桂林电子科技大学 基于船载导航雷达和光电平台的船只目标观测方法及系统
WO2018067080A1 (en) * 2016-10-07 2018-04-12 Aselsan Elektronik Sanayi Ve Ticaret Anonim Sirketi A marine vessel identification method
CN109508634A (zh) * 2018-09-30 2019-03-22 上海鹰觉科技有限公司 基于迁移学习的船舶类型识别方法及系统
CN110414414A (zh) * 2019-07-25 2019-11-05 合肥工业大学 基于多层级特征深度融合的sar图像舰船目标鉴别方法
CN110471333A (zh) * 2019-07-26 2019-11-19 北京讯腾智慧科技股份有限公司 用于燃气场站的燃气泄漏监控系统和方法
CN110503793A (zh) * 2019-07-26 2019-11-26 北京讯腾智慧科技股份有限公司 一种基于人工智能的管道入侵自动预警方法、系统及设备
CN110826529A (zh) * 2019-11-21 2020-02-21 桂林电子科技大学 一种基于深度学习的海面船只检测方法
US20200193160A1 (en) * 2018-12-14 2020-06-18 Samsung Electronics Co., Ltd. Method and apparatus for determining target object in image based on interactive input
US20200294654A1 (en) * 2019-03-14 2020-09-17 Fuji Xerox Co., Ltd. System and method for generating descriptions of abnormalities in medical images
CN111985475A (zh) * 2020-08-26 2020-11-24 苏州工图智能科技有限公司 船舶船牌识别方法、计算设备及存储介质
CN112801148A (zh) * 2021-01-14 2021-05-14 西安电子科技大学 基于深度学习的火情识别定位系统及方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018067080A1 (en) * 2016-10-07 2018-04-12 Aselsan Elektronik Sanayi Ve Ticaret Anonim Sirketi A marine vessel identification method
CN106487441A (zh) * 2016-10-20 2017-03-08 宁波盛域海洋电子科技有限公司 一种基于北斗通信的船舶信息传输系统
CN107562923A (zh) * 2017-09-13 2018-01-09 桂林电子科技大学 基于船载导航雷达和光电平台的船只目标观测方法及系统
CN109508634A (zh) * 2018-09-30 2019-03-22 上海鹰觉科技有限公司 基于迁移学习的船舶类型识别方法及系统
US20200193160A1 (en) * 2018-12-14 2020-06-18 Samsung Electronics Co., Ltd. Method and apparatus for determining target object in image based on interactive input
US20200294654A1 (en) * 2019-03-14 2020-09-17 Fuji Xerox Co., Ltd. System and method for generating descriptions of abnormalities in medical images
CN110414414A (zh) * 2019-07-25 2019-11-05 合肥工业大学 基于多层级特征深度融合的sar图像舰船目标鉴别方法
CN110471333A (zh) * 2019-07-26 2019-11-19 北京讯腾智慧科技股份有限公司 用于燃气场站的燃气泄漏监控系统和方法
CN110503793A (zh) * 2019-07-26 2019-11-26 北京讯腾智慧科技股份有限公司 一种基于人工智能的管道入侵自动预警方法、系统及设备
CN110826529A (zh) * 2019-11-21 2020-02-21 桂林电子科技大学 一种基于深度学习的海面船只检测方法
CN111985475A (zh) * 2020-08-26 2020-11-24 苏州工图智能科技有限公司 船舶船牌识别方法、计算设备及存储介质
CN112801148A (zh) * 2021-01-14 2021-05-14 西安电子科技大学 基于深度学习的火情识别定位系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
姚红革等: "复杂卫星图像中的小目标船舶识别", 《遥感学报》 *
惠国保: "基于深层神经网络的军事目标图像分类技术", 《现代导航》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115022253A (zh) * 2022-05-25 2022-09-06 西安北斗安全技术有限公司 基于北斗三代卫星短报文和人工智能的图像传输方法
CN115118332A (zh) * 2022-08-26 2022-09-27 天津先进技术研究院 一种基于北斗卫星实现数据传输的方法和系统

Similar Documents

Publication Publication Date Title
CN114007050A (zh) 一种基于北斗通信的目标识别图像传输方法
CN112667717B (zh) 变电站巡检信息处理方法、装置、计算机设备和存储介质
Kontopoulos et al. Countering real-time stream poisoning: An architecture for detecting vessel spoofing in streams of AIS data
CN113935227B (zh) 一种基于实时气象云图的光学卫星智能任务规划方法
Tan et al. Unmanned systems security: Models, challenges, and future directions
Zha et al. Real-world ADS-B signal recognition based on radio frequency fingerprinting
CN110784493A (zh) 一种基于NB-IoT通信的综合气象数据采集系统
Blesswin et al. Enhanced semantic visual secret sharing scheme for the secure image communication
CN106817630A (zh) 服务器端用于识别摄像设备的方法及装置
CN116881850B (zh) 基于多模态数据融合的安全预警系统
US20240153041A1 (en) Image processing method and apparatus, computer, readable storage medium, and program product
Wu et al. Cmp: Cooperative motion prediction with multi-agent communication
CN108512651A (zh) 一种人工智能图像辨识攻击防御方法、系统及存储介质
Duan et al. AISChain: Blockchain-Based AIS Data Platform With Dynamic Bloom Filter Tree
Zhao et al. Space–Air–Ground–Sea Integrated Network with Federated Learning
CN114266964B (zh) 一种深度图像引导的电缆管道缺陷检测与定位方法
CN116962591A (zh) 基于连续博弈行为空间相对位置的构造式隐写方法及系统
CN116702231A (zh) 一种面向拜占庭不可信多方协同差分隐私数据的频繁项集挖掘方法
Neumann Development of ICT networks in maritime transport applications
CN117544272A (zh) 一种信号类型和方位联合推理方法
CN117375855A (zh) 一种异常检测方法、模型训练方法及相关设备
CN112287756A (zh) 地物识别方法、装置、存储介质及终端
Lin et al. CLExtract: Recovering Highly Corrupted DVB/GSE Satellite Stream with Contrastive Learning
Zheng et al. Deep learning for cooperative radio signal classification
CN110213061A (zh) 同步通信方法、同步通信装置、同步通信设备及介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220201

RJ01 Rejection of invention patent application after publication