CN114818785A - 基于多模型融合的信号调制方式识别方法 - Google Patents
基于多模型融合的信号调制方式识别方法 Download PDFInfo
- Publication number
- CN114818785A CN114818785A CN202210348296.0A CN202210348296A CN114818785A CN 114818785 A CN114818785 A CN 114818785A CN 202210348296 A CN202210348296 A CN 202210348296A CN 114818785 A CN114818785 A CN 114818785A
- Authority
- CN
- China
- Prior art keywords
- signal
- constellation
- classifier model
- model
- layer
- 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
Links
Images
Classifications
-
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/0012—Modulated-carrier systems arrangements for identifying the type of modulation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明公开了基于多模型融合的信号调制方式识别方法。当前自动调制识别方法存在着需要大量信号的先验信息,提取特征组合不完备,无法应对含有较多调制方式的识别任务。本发明方法从多模型角度出发,对已知调制方式的接收信号进行预处理,形成有标签的原始数据集,并提取其中每一个样本的累积量和星座图特征,再将原始数据集馈入复合神经网络、累积量和星座图特征集馈入卷积神经网络,并将两个模型进行融合、训练得到最后分类器模型。对于所接收到的未知调制方式的接收信号,对其进行预处理和特征提取操作后,即可通过已训练好的分类器模型进行调制识别。本发明方法不需要信号的先验信息,且能应对较多调制方式识别任务,提升调制识别的准确度。
Description
技术领域
本发明属于通信信号处理技术领域,特别是通信信号调制方式识别领域,具体设计一种基于多模型融合的信号调制方式识别方法。
背景技术
自动调制识别指接收方在接收到调制方式未知的信号时,自主识别接收信号所用调制方式的技术,是信号检测与解调之间的重要环节,也是认知无线电的关键技术。
无论是在军用还是民用中,自动调制方式识别技术都有着广泛的应用。军用场景里,随着军队信息化程度的加深,战争对通信技术的依赖越来越深,通信信息的实时性和安全性也需要更多的保障,电子对抗已经成为各个国家之间重要的战争,同时也让自动调制方式识别技术越来越受重视。在民用场景里,信号调制方式识别技术主要用于无线电管理中,如频谱监测等。
在现有的调制方式识别技术中,基于似然函数的调制方式识别方法依赖于信号和信道的先验知识,且对不同任务的泛化能力较差,较难适应日渐复杂的通信环境;基于统计特征的调制方式识别方法需要针对特定的识别任务选取合适的特征,当任务集或者环境发生改变时,基于既定的特征组合的识别效果会变差,且随着调制阶数的不断增加,不同阶数调制方式间的特征差异不断减小,无法达到期望的识别效果;基于机器学习的调制方式识别方法由于其自适应性,取得了一定成效,但由于调试识别任务集的增大以及信道环境的日益复杂,机器学习提取的自适应特征合理性下降,模型的识别性能与泛化能力有待提升。
申请号202011556395.5的中国发明专利申请了一种基于高阶累积量实现信号调制方式识别的方法,其局限在于仅提取了信号的高阶累积量作为特征,缺乏表征信号时频特性的特征表示,对与频率相关的调制方式识别效果较差。
申请号202011182208.1的中国发明专利申请了一种基于卷积神经网络的调制识别方法,其局限在于仅使用了卷积神经网络进行自适应特征提取,特征的表征能力不够,导致在调制方式候选集不大且信噪比较高时,仍无法有效地区分所有调制方式。
申请号202110071360.0的中国发明专利申请了一种基于BP(Back Propagation)神经网络的通信信号调制方式识别方法,其局限在于仅使用了信号的瞬时特征,特征的表征能力不全面,且只对6种调试方式进行识别,所能有效区分的调制方式数目较少,泛化能力较差。
申请号202110068851.X的中国发明专利申请了一种基于自适应特征提取与融合的信号调制分类方法,其局限在于分类器模型的两个支路中均只使用了结构较为相似的卷积神经网络,其表征能力不够全面,在信噪比较低时识别效果有待提升。
综上可知,现有的信号调制方式识别方法仍存在诸多问题:识别算法需要大量信号的先验信息,无法应对复杂的实际通信场景;所提取的特征组合不完备,表征能力不够,不能有效地区分多种调制方式;信号在传输过程中受到的噪声与干扰会影响特征提取以及迭代拟合过程,导致识别效果不佳;识别算法泛化能力较差,无法应对含有较多调制方式的识别任务。因此,亟需设计一种应对较多调制方式识别任务、抗噪声和干扰能力强、识别准确度高的信号调制方式识别方法,准确地识别出接收信号的调制方式,为后续的信号解调工作打下基础。
发明内容
本发明的目的是在复杂的无线通信环境中,针对候选调制方式繁多、先验知识缺乏的情况,现有的调制方式识别方法的分类性能与泛化能力不足等问题,提出一种基于多模型融合的信号调制方式识别方法,高效、准确地识别接收信号所使用的调制方式。
本发明方法具体步骤是:
在无线通信系统中,接收方t时刻接收到的信号y(t)=x(t)+n(t),x(t)表示发送方t时刻发送的信号,n(t)表示t时刻的噪声;
采样:对y(t)进行间隔为TS的采样,对信号进行的第n点采样得到的离散信号序列y(n)=[y1 y2 … yH],第n点采样即t=(n-1)TS时刻的信号,H表示离散信号序列的长度;
高阶累积量计算:根据计算的k阶累积量Ckr,其中k为正偶数,共轭序列的数目r=0,1,…,k/2,cum[·]表示求多个序列的累积量,Yi表示第i个序列, 为归一化后的接收信号离散序列的简写,表示的共轭,∑(·)表示在所有的互不连通的有序分割合集{Y1,Y2,…,Yk}内求和,q为分割的子集数,表示在q个子集内第p个子集元素的下标集,E[·]为变量的数学期望;
累积量特征拼接:将信号的高阶累积量Ckr拼接为序列[C20 C21 C40 … Ckr],即为信号的高阶累积量特征fcum;
星座图映射:以归一化后的接收信号离散序列的同相分量I作为横轴变量、正交分量Q为纵轴变量建立直角坐标系,将映射到坐标系中,得到大小为V1×V2的星座图Pcons,V1和V2分别为星座图像素点的行数和列数,每一点的像素值分别为R、G、B;
降采样:对星座图Pcons进行最近邻插值法降采样处理,得到大小为降采样星座图 和分别为降采样后星座图像素点的行数和列数,降采样后图中位置为处点的像素值为降采样前星座图中位置为(v1,v2)处点的像素值,其中
取灰度图:采用Gamma校正算法(Poynton,C.A.SMPTE Tutorial:"Gamma"and itsDisguises:The Nonlinear Mappings of Intensity in Perception,CRTs,Film,andVideo[J].Smpte Journal,2015,102(12):1099-1108.)计算各像素点的灰度值,计算表达式为其中Gray为灰度图像素点的值,R、G、B分别表示降采样星座图像素点值的三通道分量,γ为Gamma值,将像素点的灰度值拼接为星座图特征fcons;
步骤(3)构建分类器模型,具体如下:
步骤(4)训练分类器模型,具体如下:
(4-1)参数初始化:随机初始化分类器模型参数w;设置迭代轮数J、每批样本数目W和学习率η;初始化迭代次数j′=0;
(4-2)数据分批:将训练数据集及其累积量特征集星座图特征集与标签集划分为A个批次,其中若N能被W整除,则每个批次均包含W个样本,否则前A-1个批次中包含W个样本,最后一个批次中包含N-W(A-1)个样本;其中每个批次包括数据子集及其累积量特征子集星座图特征子集与标签子集(4-3)数据馈入:随机选取一个批次,包括该批次的数据子集及其累积量特征子集星座图特征子集和标签子集将该批次中的数据子集馈入左支路分类器模型的复合神经网络中,将该批次中数据子集相应的累积量特征子集与星座图特征子集馈入右支路分类器模型的卷积神经网络中;将左支路分类器模型的输出Oleft和右支路分类器模型的输出Oright拼接为综合输出Ofusion,馈入分类器模型的最后一层全连接层中,得到该批次的预测标签集
(4-5)分类器模型单轮训练结束判断:若第j′轮的A个批次数据均已用于训练分类器,则该轮训练已结束,进入步骤(4-6),否则返回步骤(4-3);
(4-6)分类器模型训练结束判断:若损失函数loss在连续E轮内的减小幅度均小于σ,其中E为判断分类器是否收敛的最小收敛轮数,σ为设置的判断loss基本不再减小的阈值,表明分类器模型已收敛,执行步骤(4-8);否则执行步骤(4-7);
(4-7)若j′<J,则j′=j′+1,继续迭代,返回步骤(4-2);若j′=J,表明分类器训练结束,进入步骤(4-8);
(4-8)模型保存:保存当前分类器模型参数为最佳参数w*;
本发明利用复合神经网络从接收信号的IQ分量中提取自适应特征,同时从信号原始序列中提取累积量特征与星座图特征,利用卷积神经网络学习其深度特征,最后将两个模型融合起来,完成对接收信号调制方式的识别。与已有的调制方式识别方法相比,本发明具有以下有益效果:
(1)现有的基于似然函数的调制方式识别方法需要接收信号的大量先验信息,不适用于信道环境复杂多变、先验信息缺乏的场景,且其无法应对较多候选调制方式的识别任务。而本发明所提调制方式识别方法不需要信号的先验信息,并能有效完成多候选调制方式的识别任务;
(2)现有的基于特征和深度学习的调制方式识别方法所提取的信号特征不够有效和完备,所用深度学习模型对调制方式识别任务的针对性不够。而本发明所提调制方式识别方法提取的特征组合涵盖了信号的幅度、频率和相位等特性,同时使用了更有针对性的深度学习模型进行融合,实现更加准确的信号调制方式识别。
附图说明
图1为本发明方法整体框架的示意图;
图2为本发明实施例中左支路复合神经网络示意图;
图3为本发明实施例中右支路卷积神经网络示意图;
图4为本发明方法中分类器训练过程的流程图;
图5为本发明方法中识别接收信号调制方式示意图。
具体实施方式
以下结合附图并举实施例对本发明作进一步详细说明。
步骤(1)对接收到的N(本实施例中N=483000)段已知调制方式的接收信号y(t)进行采样、功率归一化和IQ分量提取操作,并打上标签l(本实施例中l∈{1,2,…,23},分别代表一种不同的调制方式),形成具有N个长度为H(本实施例中H=1000)的信号样本的有标签数据集其标签集为每个信号样本可以表示为
(2-1)累积量特征集中每个累积量特征fcum提取方法具体是:
根据累积量计算公式计算归一化后的接收信号离散序列的k(本实施例中k=2,4,6,8)阶累积量,r=0,1,…,k/2,cum[·]表示求多个序列的累积量,Yi表示其中第i个序列, 为归一化后的接收信号离散序列的简写,表示的共轭,E[·]为变量的数学期望,∑(·)表示在所有的互不连通的有序分割合集{Y1,Y2,…,Yk}内求和,q为分割的子集数,表示在q个子集内第p个子集元素的下标集。
将信号的高阶累积量Ckr拼接为序列[C20 C21 C40 … C84],即为信号的高阶累积量特征fcum。
(2-2)星座图特征集中每个星座图特征fcons提取操作具体是:
以归一化后的接收信号离散序列的同相分量I作为横轴变量、正交分量Q为纵轴变量建立直角坐标系,将序列映射到坐标系中,得到大小为V1×V2(本实施例中,V1=960,V2=960)的星座图Pcons,其每一点的像素值分别为R、G和B。
步骤(3)构建左、右两条支路分类器模型,并将其融合为最后的分类器模型。
(3-1)左支路分类器模型建立操作具体是:
如图2所示,建立包含(本实施例中)层卷积层、(本实施例中)层长短时记忆层和(本实施例中)层全连接层的左支路复合神经网络,每个卷积层的卷积核数目为(本实施例中),每个长短时记忆层的长短时记忆单元数目为(本实施例中),每个全连接层的神经元数目为(本实施例中)。
(3-2)右支路分类器模型建立操作具体是:
(3-3)左、右支路分类器模型融合操作具体是:
步骤(4)训练分类器模型,如图4所示,包含参数初始化、数据分批、数据馈入、损失函数更新、分类器模型单轮训练结束判断、分类器模型训练结束判断和模型保存等步骤。
(4-1)参数初始化操作具体是:
初始化模型参数w为[0,1]内的随机数,且服从均值为0.5,方差为0.25的正态分布;设置迭代轮数J(本实施例中J=100)、每批样本数目W(本实施例中W=64)和学习率η(本实施例中η=0.001);初始化迭代次数j′=0。
(4-2)数据分批操作具体是:
将数据集及其累积量特征集星座图特征集与标签集划分为A个批次(本实施例中A=7547),样本数目483000不能被64整除,则前7546个批次中包含64个样本,最后一个批次中包含56个样本,其中每个批次包括数据子集及其累积量特征子集星座图特征子集与标签子集
(4-3)数据馈入操作具体是:
随机选取一个批次,包括该批次的数据子集及其累积量特征子集星座图特征子集与标签子集将该批次中的数据子集馈入左支路的复合神经网络中,将该批次中数据子集相应的累积量特征子集与星座图特征子集馈入右支路的卷积神经网络中;将左支路的输出Oleft和右支路的输出Oright拼接为综合输出Ofusion,馈入分类器模型的最后一层全连接层中,并得到该批次的预测标签集
(4-4)模型参数更新操作具体是:
根据当前批次的标签子集和预测标签子集计算损失函数其中li和li′为第i样本的真实标签和预测标签,分别在当前批次的标签子集和预测标签子集中,W′为当前批次中样本标签数目,若当前批次为前7546个批次,则W′=64;否则W′=56,再根据梯度下降法更新模型参数其中为变量的偏导数。
(4-5)分类器模型单轮训练结束判断操作具体是:
若第j′轮的A个批次数据均已用于训练分类器,则该轮训练已结束,进入步骤(4-6);否则,返回步骤(4-3)。
(4-6)分类器模型训练结束判断操作具体是:
若损失函数loss在连续E(本实施例中E=10)轮内的减小幅度均小于σ(本实施例中σ=0.002),其中E为判断分类器是否收敛的最小收敛轮数,σ为所设置的判断loss基本不再减小的阈值,表明分类器模型已收敛,进入步骤(4-8);否则执行步骤(4-7)。
(4-7)若j′<J,则j′=j′+1,继续迭代,返回步骤(4-2);若j′=J,表明分类器训练结束,进入步骤(4-8);
(4-8)保存当前分类器模型为最佳参数w*。
步骤(5)对接收信号的调制方式进行识别,如图5所示,操作具体是:
上述实例所述的内容仅仅是对本发明实现形式的列举,本发明的保护范围不应限于实施例所陈述的具体形式,本发明的保护范围也应包含在本发明基础上所构思的同类发明方法。
Claims (5)
1.基于多模型融合的信号调制方式识别方法,其特征在于,包括以下步骤:
在无线通信系统中,接收方t时刻接收到的信号y(t)=x(t)+n(t),x(t)表示发送方t时刻发送的信号,n(t)表示t时刻的噪声;
步骤(3)构建分类器模型,包含左、右两条支路,左支路分类器模型为复合神经网络,右支路分类器模型为卷积神经网络,再将左、右支路融合,形成最终的分类器模型;
步骤(4)训练分类器模型,具体如下:
(4-1)参数初始化:随机初始化分类器模型参数w;设置迭代轮数J、每批样本数目W和学习率η;初始化迭代次数j′=0;
(4-2)数据分批:将训练数据集及其累积量特征集星座图特征集与标签集划分为A个批次,其中若N能被W整除,则每个批次均包含W个样本,否则前A-1个批次中包含W个样本,最后一个批次中包含N-W(A-1)个样本;其中每个批次包括数据子集及其累积量特征子集星座图特征子集与标签子集
(4-3)数据馈入:随机选取一个批次,包括该批次的数据子集及其累积量特征子集星座图特征子集和标签子集将该批次中的数据子集馈入左支路分类器模型的复合神经网络中,将该批次中数据子集相应的累积量特征子集与星座图特征子集馈入右支路分类器模型的卷积神经网络中;将左支路分类器模型的输出Oleft和右支路分类器模型的输出Oright拼接为综合输出Ofusion,馈入分类器模型的最后一层全连接层中,得到该批次的预测标签集
(4-5)分类器模型单轮训练结束判断:若第j′轮的A个批次数据均已用于训练分类器,则该轮训练已结束,进入步骤(4-6),否则返回步骤(4-3);
(4-6)分类器模型训练结束判断:若损失函数loss在连续E轮内的减小幅度均小于σ,其中E为判断分类器是否收敛的最小收敛轮数,σ为设置的判断loss基本不再减小的阈值,表明分类器模型已收敛,执行步骤(4-8);否则执行步骤(4-7);
(4-7)若j′<J,则j′=j′+1,继续迭代,返回步骤(4-2);若j′=J,表明分类器训练结束,进入步骤(4-8);
(4-8)模型保存:保存当前分类器模型参数为最佳参数w*;
2.如权利要求1所述的基于多模型融合的信号调制方式识别方法,其特征在于,步骤(1)中:
所述的采样,对y(t)进行间隔为TS的采样,对信号进行的第n点采样得到的离散信号序列y(n)=[y1 y2…yH],第n点采样即t=(n-1)TS时刻的信号,H表示离散信号序列的长度;
4.如权利要求3所述的基于多模型融合的信号调制方式识别方法,其特征在于,步骤(2-2)中,星座图映射方法:以归一化后的接收信号离散序列的同相分量I作为横轴变量、正交分量Q为纵轴变量建立直角坐标系,将映射到坐标系中,得到大小为V1×V2的星座图Pcons,V1和V2分别为星座图像素点的行数和列数,每一点的像素值分别为R、G、B;
所述的降采样,对星座图Pcons进行最近邻插值法降采样处理,得到大小为降采样星座图 和分别为降采样后星座图像素点的行数和列数,降采样后图中位置为处点的像素值为降采样前星座图中位置为(v1,v2)处点的像素值,其中
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210348296.0A CN114818785A (zh) | 2022-04-01 | 2022-04-01 | 基于多模型融合的信号调制方式识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210348296.0A CN114818785A (zh) | 2022-04-01 | 2022-04-01 | 基于多模型融合的信号调制方式识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114818785A true CN114818785A (zh) | 2022-07-29 |
Family
ID=82532698
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210348296.0A Pending CN114818785A (zh) | 2022-04-01 | 2022-04-01 | 基于多模型融合的信号调制方式识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114818785A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114842837A (zh) * | 2022-07-04 | 2022-08-02 | 成都启英泰伦科技有限公司 | 一种快速声学模型训练方法 |
-
2022
- 2022-04-01 CN CN202210348296.0A patent/CN114818785A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114842837A (zh) * | 2022-07-04 | 2022-08-02 | 成都启英泰伦科技有限公司 | 一种快速声学模型训练方法 |
CN114842837B (zh) * | 2022-07-04 | 2022-09-02 | 成都启英泰伦科技有限公司 | 一种快速声学模型训练方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059589B (zh) | 一种基于Mask R-CNN神经网络的虹膜图像中虹膜区域的分割方法 | |
CN107330731B (zh) | 一种识别广告位点击异常的方法和装置 | |
CN114492574A (zh) | 基于高斯均匀混合模型的伪标签损失无监督对抗域适应图片分类方法 | |
CN109002755B (zh) | 基于人脸图像的年龄估计模型构建方法及估计方法 | |
CN111680702B (zh) | 一种使用检测框实现弱监督图像显著性检测的方法 | |
CN111510408B (zh) | 信号调制方式识别方法、装置、电子设备及存储介质 | |
CN112990316B (zh) | 基于多显著性特征融合的高光谱遥感图像分类方法及系统 | |
US11700156B1 (en) | Intelligent data and knowledge-driven method for modulation recognition | |
CN115147632A (zh) | 基于密度峰值聚类算法的图像类别自动标注方法及装置 | |
CN112149526A (zh) | 一种基于长距离信息融合的车道线检测方法及系统 | |
CN114818785A (zh) | 基于多模型融合的信号调制方式识别方法 | |
CN114925720A (zh) | 基于时空混合特征提取网络的小样本调制信号识别方法 | |
CN111598117A (zh) | 图像识别方法及装置 | |
Zhao | Motion track enhancement method of sports video image based on otsu algorithm | |
CN110826563A (zh) | 基于神经网络和概率图模型的手指静脉分割方法及装置 | |
CN115294371B (zh) | 基于深度学习的互补特征可靠描述与匹配方法 | |
CN113033410B (zh) | 基于自动数据增强的域泛化行人重识别方法、系统及介质 | |
CN111815658B (zh) | 一种图像识别方法及装置 | |
CN113947195A (zh) | 模型确定方法、装置、电子设备和存储器 | |
CN113159082A (zh) | 一种增量式学习目标检测网络模型构建及权重更新方法 | |
CN115424250A (zh) | 一种车牌识别方法及装置 | |
Cao et al. | A multi-label classification method for vehicle video | |
CN112926368A (zh) | 一种识别障碍物的方法和装置 | |
CN116030363B (zh) | 遥感图像类激活映射图优化方法 | |
CN116071625B (zh) | 深度学习模型的训练方法、目标检测方法及装置 |
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 |