CN115442308B - 一种电网监控数据流的分层传输方法 - Google Patents
一种电网监控数据流的分层传输方法 Download PDFInfo
- Publication number
- CN115442308B CN115442308B CN202211073477.3A CN202211073477A CN115442308B CN 115442308 B CN115442308 B CN 115442308B CN 202211073477 A CN202211073477 A CN 202211073477A CN 115442308 B CN115442308 B CN 115442308B
- Authority
- CN
- China
- Prior art keywords
- data stream
- power grid
- data streams
- silu
- monitoring
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 41
- 230000005540 biological transmission Effects 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 230000003993 interaction Effects 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 42
- 230000004913 activation Effects 0.000 claims description 21
- 238000010606 normalization Methods 0.000 claims description 14
- 230000008447 perception Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 8
- 230000006978 adaptation Effects 0.000 claims description 5
- 238000009877 rendering Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
- H04L47/24—Traffic characterised by specific attributes, e.g. priority or QoS
- H04L47/2441—Traffic characterised by specific attributes, e.g. priority or QoS relying on flow classification, e.g. using integrated services [IntServ]
-
- 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
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
- H04L47/24—Traffic characterised by specific attributes, e.g. priority or QoS
- H04L47/2425—Traffic characterised by specific attributes, e.g. priority or QoS for supporting services specification, e.g. SLA
- H04L47/2433—Allocation of priorities to traffic types
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
- H04L47/32—Flow control; Congestion control by discarding or delaying data units, e.g. packets or frames
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/50—Queue scheduling
- H04L47/60—Queue scheduling implementing hierarchical scheduling
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本发明公开一种电网监控数据流的分层传输方法，涉及电网数据传输领域。该电网监控数据流的分层传输方法包括获取高清监控视频，以得到若干个关联的数据流、根据预先训练好的神经网络识别模型，对关联的数据流进行不等重要性分类、根据电网业务功能，对每个数据流分层和按不等重要性的发送顺序发送对应数据流，且优先发送基础层B的数据流，丢弃增强层E的数据流。该电网监控数据流的分层传输方法在需要实时交互且低时延的电网高清视频监控场景下，按不等重要性的发送顺序发送对应数据流，实现差异化调度，满足实时宽带通信要求，提升Qos保障能力。
Description
技术领域
本发明涉及电网数据传输技术领域，具体为一种电网监控数据流的分层传输方法。
背景技术
电网监控数据主要包括电网调度自动化系统的信息测量、信息传输、监视控制能力等。
电网业务通常包含多个关联数据流，每个数据流具有不同的Qos需求，即不等重要性，对于需要实时交互且低时延的高清视频监控场景，目前的5G网络不能针对同一个业务的不同重要性的数据流提供不同的QoS保护无法很好地支持多个数据流传输，难以满足Qos需求和带宽需求，针对现有技术的不足，本发明公开了一种电网监控数据流的分层传输方法，以解决上述背景技术中提出的问题。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明公开了一种电网监控数据流的分层传输方法，该方法基于关联数据流的不同的Qos需求，对各数据流进行不等重要性分类，如I帧、P帧和B帧，并根据业务功能，按不等重要性分类对每个数据流分层，数据流分层包括增强层E和基础层B，并为每个数据流设置对应属性；同时，网络侧设置对应的接口协议，并适配服务器终端的传输协议，以搭建基站感知、网络侧感知和服务器终端适配的网络架构。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种电网监控数据流的分层传输方法，包括：
获取高清监控视频，以得到若干个关联的数据流；
根据预先训练好的神经网络识别模型，对关联的数据流进行不等重要性分类；
根据电网业务功能，对每个数据流分层；
按不等重要性的发送顺序发送对应数据流，且优先发送基础层B的数据流，丢弃增强层E的数据流。
优选的，获取监控摄像头拍摄的电网高清监控视频，进行编码后透传至就近部署的5GMEC服务器，由服务器接收到视频后，进行解码和渲染，以得到若干个关联的数据流，再转发至云平台，云平台接收到视频后，进行解码和渲染，以得到若干个关联的数据流。
优选的，根据预先训练好的神经网络识别模型，对关联的数据流进行不等重要性分类中，不等重要性分类是指根据电网业务功能，结合具体数据流的Qos需求进行划分。
优选的，预先训练好的神经网络识别模型采用轻量化的多头分类网络，轻量化的多头分类网络基于RepPerson搭建，多头分类网络包括若干个可重参数化残差单元，每个可重参数化的残差单元包括一个Conv3x3、一个Conv1x1、三个用于提取语义信息的归一化层和激活函数SiLU，Conv3x3和Conv1x1和其中一个归一化层并行设置，剩余的两个归一化层分别连接于Conv3x3和Conv1x1的输出端，Conv3x3所在支路的输出结果、Conv1x1所在支路的输出结果和并行设置的归一化层的输出结果依次叠加，合并单元分支，再将结果输入激活函数SiLU内，最后将激活函数SiLU的结果输出。
优选的，将激活函数ReLu改用为更光滑的激活函数SiLU，对于负值数据特征，激活函数SiLU依旧能传递给下游网络结构，函数ReLu则直接忽略负值数据特征而无法下传，故在神经网络识别模型学习期间，函数ReLu忽略的负值数据特征会导致模型指标上下震荡，即学习曲线呈锯齿状，而激活函数SiLU因保留了负值数据特征信息，训练时模型指标震荡幅度收窄，学习曲线更为光滑，即提升了模型训练的平滑性，同时，因SiLU函数是一条过0点的曲线而非直线，故能增加模型的非线性。
优选的，将关联的数据流输入训练好的神经网络识别模型中，即可对关联的数据流进行I帧、P帧或B帧的不等重要性分类。
优选的，根据电网业务功能，对每个数据流分层中，每个数据流包括用于携带基础数据的基础层B和用于携带附加数据的增强层E，并为每个数据流设置对应属性，同时，网络侧设置对应的接口协议，并适配服务器终端的传输协议，以搭建基站感知、网络侧感知和服务器终端适配的网络架构。
优选的，根据类似于16-QAM的分级信号布阵来界定每个数据流的基础层B和增强层E。
优选的，每一象限内位于中间的两个点具有高于其余象限的四个点中的任一点邻近的两个点的质量，使得数据传输时能够被正确接收。
优选的，在需要实时交互且低时延的电网高清视频监控场景下，按不等重要性的发送顺序发送对应数据流，且优先发送基础层B的数据流，丢弃增强层E的数据流中，以实现差异化调度，在拥塞时主动丢包。
本发明公开了一种电网监控数据流的分层传输方法，其具备的有益效果如下：
1、该电网监控数据流的分层传输方法，在需要实时交互且低时延的电网高清视频监控场景下，按不等重要性的发送顺序发送对应数据流，实现差异化调度，满足实时宽带通信要求，提升Qos保障能力。
2、该电网监控数据流的分层传输方法，优先发送基础层B的数据流，在拥塞时丢弃增强层E的数据流，在拥塞时主动丢包优化网络资源利用率，满足实时宽带通信要求，提升Qos保障能力。
附图说明
图1为本发明系统流程框图。
图中：S1、获取高清监控视频，以得到若干个关联的数据流；S2、根据预先训练好的神经网络识别模型，对关联的数据流进行不等重要性分类；S3、根据电网业务功能，对每个数据流分层；S4、按不等重要性的发送顺序发送对应数据流，且优先发送基础层B的数据流，丢弃增强层E的数据流。
具体实施方式
实施例1：
本发明实施例公开一种电网监控数据流的分层传输方法，如图1所示，包括：
获取高清监控视频，以得到若干个关联的数据流S1；
根据预先训练好的神经网络识别模型，对关联的数据流进行不等重要性分类S2；
根据电网业务功能，对每个数据流分层S3；
按不等重要性的发送顺序发送对应数据流，且优先发送基础层B的数据流，丢弃增强层E的数据流S4。
获取监控摄像头拍摄的电网高清监控视频，进行编码后透传至就近部署的5GMEC服务器，由服务器接收到视频后，进行解码和渲染，以得到若干个关联的数据流，再转发至云平台，云平台接收到视频后，进行解码和渲染，以得到若干个关联的数据流。
根据预先训练好的神经网络识别模型，对关联的数据流进行不等重要性分类S2中，不等重要性分类是指根据电网业务功能，结合具体数据流的Qos需求进行划分，如，根据Qos需求，由高Qos需求到低Qos需求，将关联的数据流划分为I帧、P帧和B帧。I帧表示关键帧，是一帧视频画面的完整保留。P帧表示的是当前帧跟上一个关键帧的差别，解码时需要用之前缓存的画面叠加上本帧定义的差别，生成最终画面，P帧没有完整画面数据，只有与前一帧的画面差别的数据。B帧是双向差别帧，记录的是本帧与前后帧的差别，解码时，先获取之前的缓存画面，以及解码之后的画面，再通过前后画面与本帧数据的叠加取得最终的画面。
预先训练好的神经网络识别模型采用轻量化的多头分类网络，轻量化的多头分类网络基于RepPerson搭建，多头分类网络包括若干个可重参数化残差单元，每个可重参数化的残差单元包括一个Conv3x3、一个Conv1x1、三个用于提取语义信息的归一化层和激活函数SiLU，Conv3x3和Conv1x1和其中一个归一化层并行设置，剩余的两个归一化层分别连接于Conv3x3和Conv1x1的输出端，Conv3x3所在支路的输出结果、Conv1x1所在支路的输出结果和并行设置的归一化层的输出结果依次叠加，合并单元分支，再将结果输入激活函数SiLU内，最后将激活函数SiLU的结果输出。
通过引入归一化层，以在达到相同性能的情况下，模型所需要的训练GPU小时数更少，加速了模型收敛，加快了检测速度。
进一步地，新增的含归一化层的且与Conv1x1和Conv3x3并行设置的支路，能尽可能多地提取各关联数据流内的不同层次的语义信息。
将激活函数ReLu改用为更光滑的激活函数SiLU，对于负值数据特征，激活函数SiLU依旧能传递给下游网络结构，函数ReLu则直接忽略负值数据特征而无法下传，故在神经网络识别模型学习期间，函数ReLu忽略的负值数据特征会导致模型指标上下震荡，即学习曲线呈锯齿状，而激活函数SiLU因保留了负值数据特征信息，训练时模型指标震荡幅度收窄，学习曲线更为光滑，即提升了模型训练的平滑性，同时，因SiLU函数是一条过0点的曲线而非直线，故能增加模型的非线性。
可重参数化残差单元的轻量化的多头分类网络，既可以在模型训练阶段充分利用更丰富的图像语义信息、指导模型习得各关联的数据流的精细特征，以获得泛化能力更好的模型权重，使得模型每一层结构的参数性能更佳；又可以在现有GPU计算单元的硬件特性下达到更高的运行效率。
将关联的数据流输入训练好的神经网络识别模型中，即可对关联的数据流进行I帧、P帧或B帧的不等重要性分类。
根据电网业务功能，对每个数据流分层S3中，每个数据流包括用于携带基础数据的基础层B和用于携带附加数据的增强层E，并为每个数据流设置对应属性，如不同宏块类型、ROI区域等。同时，网络侧设置对应的接口协议，并适配服务器终端的传输协议，以搭建基站感知、网络侧感知和服务器终端适配的网络架构。
根据类似于16-QAM的分级信号布阵来界定每个数据流的基础层B和增强层E。16-QAM信号的较高质量位可用于界定基础层，16-QAM信号的较低质量位可用于界定增强层。分级信号布阵在四个不同的象限的每一者中界定四个点以产生总共16个点，每个象限内的四个点呈对角交叉分布。每一点均对应于调制载波信号的向量空间表示，且可由4位的二进制数表示，由4位的二进制数识别对应点位于象限中的位置。
通过分级信号布阵，每一象限靠近轴线的两个点具有高于另两个点的质量，使得数据传输时具有接收可靠性。
每一象限内位于中间的两个点具有高于其余象限的四个点中的任一点邻近的两个点的质量，使得数据传输时能够被正确接收。
在需要实时交互且低时延的电网高清视频监控场景下，按不等重要性的发送顺序发送对应数据流，且优先发送基础层B的数据流，丢弃增强层E的数据流S4中，以实现差异化调度，在拥塞时主动丢包，满足实时宽带通信要求，使Qos提升3-5倍。
该电网监控数据流的分层传输方法基于关联数据流的不同的Qos需求，对各数据流进行不等重要性分类，如I帧、P帧和B帧，并根据业务功能，按不等重要性分类对每个数据流分层，数据流分层包括增强层E和基础层B，并为每个数据流设置对应属性；同时，网络侧设置对应的接口协议，并适配服务器终端的传输协议，以搭建基站感知、网络侧感知和服务器终端适配的网络架构。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (2)
1.一种电网监控数据流的分层传输方法，其特征在于，包括：
获取高清监控视频，以得到若干个关联的数据流(S1)；
根据预先训练好的神经网络识别模型，对关联的数据流进行不等重要性分类(S2)；
根据电网业务功能，对每个数据流分层(S3)；
按不等重要性的发送顺序发送对应数据流，且优先发送基础层B的数据流，丢弃增强层E的数据流(S4)；
获取监控摄像头拍摄的电网高清监控视频，进行编码后透传至就近部署的5GMEC服务器，由服务器接收到视频后，进行解码和渲染，以得到若干个关联的数据流，再转发至云平台，云平台接收到视频后，进行解码和渲染，以得到若干个关联的数据流；
根据预先训练好的神经网络识别模型，对关联的数据流进行不等重要性分类(S2)中，不等重要性分类是指根据电网业务功能，结合具体数据流的Qos需求进行划分；
预先训练好的神经网络识别模型采用轻量化的多头分类网络，轻量化的多头分类网络基于RepPerson搭建，多头分类网络包括若干个可重参数化残差单元，每个可重参数化的残差单元包括一个Conv3x3、一个Conv1x1、三个用于提取语义信息的归一化层和激活函数SiLU，Conv3x3和Conv1x1和其中一个归一化层并行设置，剩余的两个归一化层分别连接于Conv3x3和Conv1x1的输出端，Conv3x3所在支路的输出结果、Conv1x1所在支路的输出结果和并行设置的归一化层的输出结果依次叠加，合并单元分支，再将结果输入激活函数SiLU内，最后将激活函数SiLU的结果输出；
将激活函数ReLu改用为更光滑的激活函数SiLU，对于负值数据特征，激活函数SiLU依旧能传递给下游网络结构，函数ReLu则直接忽略负值数据特征而无法下传，故在神经网络识别模型学习期间，函数ReLu忽略的负值数据特征会导致模型指标上下震荡，即学习曲线呈锯齿状，而激活函数SiLU因保留了负值数据特征信息，训练时模型指标震荡幅度收窄，学习曲线更为光滑，即提升了模型训练的平滑性，同时，因SiLU函数是一条过0点的曲线而非直线，故能增加模型的非线性；
将关联的数据流输入训练好的神经网络识别模型中，即可对关联的数据流进行I帧、P帧或B帧的不等重要性分类；
根据电网业务功能，对每个数据流分层(S3)中，每个数据流包括用于携带基础数据的基础层B和用于携带附加数据的增强层E，并为每个数据流设置对应属性，同时，网络侧设置对应的接口协议，并适配服务器终端的传输协议，以搭建基站感知、网络侧感知和服务器终端适配的网络架构；
根据16-QAM的分级信号布阵来界定每个数据流的基础层B和增强层E。
2.根据权利要求1所述的一种电网监控数据流的分层传输方法，其特征在于：在需要实时交互且低时延的电网高清视频监控场景下，按不等重要性的发送顺序发送对应数据流，且优先发送基础层B的数据流，丢弃增强层E的数据流(S4)中，以实现差异化调度，在拥塞时主动丢包。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211073477.3A CN115442308B (zh) | 2022-09-02 | 2022-09-02 | 一种电网监控数据流的分层传输方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211073477.3A CN115442308B (zh) | 2022-09-02 | 2022-09-02 | 一种电网监控数据流的分层传输方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115442308A CN115442308A (zh) | 2022-12-06 |
| CN115442308B true CN115442308B (zh) | 2024-03-15 |
Family
ID=84247341
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211073477.3A Active CN115442308B (zh) | 2022-09-02 | 2022-09-02 | 一种电网监控数据流的分层传输方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115442308B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101150496A (zh) * | 2006-09-22 | 2008-03-26 | 中兴通讯股份有限公司 | 提高重要信息网络传输质量的方法 |
| CN102740367A (zh) * | 2012-05-31 | 2012-10-17 | 华为技术有限公司 | 数据流的传输方法及装置 |
| CN105406945A (zh) * | 2015-11-25 | 2016-03-16 | 合肥工业大学 | 一种多基站系统中可伸缩视频的多播资源分配及传输方法 |
| CN106406253A (zh) * | 2015-07-30 | 2017-02-15 | 西门子公司 | 控制和/或分析工业过程的系统和方法 |
| KR101956196B1 (ko) * | 2017-11-28 | 2019-03-08 | 한빛이디에스(주) | 저사양 센서 노드 기반 IoT 망 연계 및 데이터 무선 정보화가 가능한 복합형 센서 네트워크를 활용한 수배전반 모니터링 시스템 |
| CN111263160A (zh) * | 2019-12-16 | 2020-06-09 | 陕西师范大学 | 一种适应无线传输动态变化的视频编码处理方法和装置 |
| CN114067440A (zh) * | 2022-01-13 | 2022-02-18 | 深圳佑驾创新科技有限公司 | 级联神经网络模型的行人检测方法、装置、设备及介质 |
| WO2022154686A1 (en) * | 2021-01-13 | 2022-07-21 | Huawei Technologies Co., Ltd. | Scalable coding of video and associated features |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11729243B2 (en) * | 2019-09-20 | 2023-08-15 | Intel Corporation | Dash-based streaming of point cloud content based on recommended viewports |
-
2022
- 2022-09-02 CN CN202211073477.3A patent/CN115442308B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101150496A (zh) * | 2006-09-22 | 2008-03-26 | 中兴通讯股份有限公司 | 提高重要信息网络传输质量的方法 |
| CN102740367A (zh) * | 2012-05-31 | 2012-10-17 | 华为技术有限公司 | 数据流的传输方法及装置 |
| CN106406253A (zh) * | 2015-07-30 | 2017-02-15 | 西门子公司 | 控制和/或分析工业过程的系统和方法 |
| CN105406945A (zh) * | 2015-11-25 | 2016-03-16 | 合肥工业大学 | 一种多基站系统中可伸缩视频的多播资源分配及传输方法 |
| KR101956196B1 (ko) * | 2017-11-28 | 2019-03-08 | 한빛이디에스(주) | 저사양 센서 노드 기반 IoT 망 연계 및 데이터 무선 정보화가 가능한 복합형 센서 네트워크를 활용한 수배전반 모니터링 시스템 |
| CN111263160A (zh) * | 2019-12-16 | 2020-06-09 | 陕西师范大学 | 一种适应无线传输动态变化的视频编码处理方法和装置 |
| WO2022154686A1 (en) * | 2021-01-13 | 2022-07-21 | Huawei Technologies Co., Ltd. | Scalable coding of video and associated features |
| CN114067440A (zh) * | 2022-01-13 | 2022-02-18 | 深圳佑驾创新科技有限公司 | 级联神经网络模型的行人检测方法、装置、设备及介质 |
Non-Patent Citations (2)
| Title |
|---|
| Monitoring of Overhead Transmission Lines：A Review;Arsalan Habib Khawaja.etc;Sensing & Imaging;全文 * |
| 电网统一视频监控平台的研究与建设;叶竞;叶水勇;张亚利;陈浩;王艳;;电力信息与通信技术(10);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115442308A (zh) | 2022-12-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110072119B (zh) | 一种基于深度学习网络的内容感知视频自适应传输方法 | |
| WO2021139418A1 (zh) | 图像处理装置、远端设备及通信系统 | |
| CN102905128B (zh) | 编解码处理器在无线视频传输过程中码率控制的方法 | |
| Yang et al. | Semantic communications with AI tasks | |
| CN112770357B (zh) | 一种基于深度强化学习的无线网络拥塞控制方法 | |
| CN113014968B (zh) | 一种基于强化学习的多用户动态码率视频传输方法及系统 | |
| CN116488748B (zh) | 一种对抗不匹配背景知识库的收发机协同学习的语义通信方法、系统、设备及存储介质 | |
| Xia et al. | WiserVR: Semantic communication enabled wireless virtual reality delivery | |
| CN112686287A (zh) | 一种基于非因果时间卷积神经网络的加密流量分类方法 | |
| Ilhan et al. | Offloading deep learning empowered image segmentation from uav to edge server | |
| CN115442308B (zh) | 一种电网监控数据流的分层传输方法 | |
| CN115834924A (zh) | 面向交互式视频的松耦合编码码率-传输速率调节方法 | |
| CN105142183B (zh) | 自动识别wifi数据帧并划分优先级的方法及系统 | |
| CN116847120A (zh) | 基于深度强化学习的传输编码联合码率自适应控制方法 | |
| CN114827617A (zh) | 一种基于感知模型的视频编解码方法及系统 | |
| Liang et al. | Vista: Video transmission over a semantic communication approach | |
| CN114189890A (zh) | 更新网络服务质量模型的方法、装置、设备及存储介质 | |
| CN110633592B (zh) | 一种图像处理方法和装置 | |
| CN111726300A (zh) | 一种数据发送方法及装置 | |
| CN115086663B (zh) | 一种基于深度强化学习的多摄像头实时视频传输方法 | |
| CN113179484B (zh) | 一种基于车联网模型的idnc网络编码方法 | |
| Tang et al. | A New Semantic Segmentation Diagram for Intelligent Transportation Based on Heterogeneous Knowledge Base | |
| CN110602428A (zh) | 一种音频数据的处理方法和装置 | |
| CN117061792B (zh) | 云视频协作渲染方法、装置及计算机设备 | |
| CN109257565B (zh) | 一种果汁生产线智能化监控系统的网络传输方法 |
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 |