CN116170746B - 基于深度注意力机制和几何信息的超宽带室内定位方法 - Google Patents

基于深度注意力机制和几何信息的超宽带室内定位方法 Download PDF

Info

Publication number
CN116170746B
CN116170746B CN202310001992.9A CN202310001992A CN116170746B CN 116170746 B CN116170746 B CN 116170746B CN 202310001992 A CN202310001992 A CN 202310001992A CN 116170746 B CN116170746 B CN 116170746B
Authority
CN
China
Prior art keywords
depth
output
module
ultra
steps
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
Application number
CN202310001992.9A
Other languages
English (en)
Other versions
CN116170746A (zh
Inventor
丁凯
唐坤
杨博
荣英佼
徐跃林
郭唐仪
邓斌
吕荣其
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.)
Nanjing University of Science and Technology
63983 Troops of PLA
Original Assignee
Nanjing University of Science and Technology
63983 Troops of PLA
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 Nanjing University of Science and Technology, 63983 Troops of PLA filed Critical Nanjing University of Science and Technology
Priority to CN202310001992.9A priority Critical patent/CN116170746B/zh
Publication of CN116170746A publication Critical patent/CN116170746A/zh
Application granted granted Critical
Publication of CN116170746B publication Critical patent/CN116170746B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/025—Services making use of location information using location based information parameters
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (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

本发明公开了一种基于深度注意力机制和几何信息的超宽带室内定位方法，1)设计了一个新的深度网络来同时估计标签的位置和距离信息。在这个网络中，首先，引入Transformer编码器，用于学习全局视角下具有不同噪声测距值的权重，此外，超宽带的基站几何信息也被引入其中。2)提出了一个新的监督学习策略，该策略同时考虑真值信息和超宽带传感器的几何约束来端到端的训练提出的网络。通过这两种策略，一方面引入Transformer编码器框架，大的测量噪声得到了进一步的全面抑制，另一方面，几何信息和约束条件也被融入提出的网络。因此，定位的性能得到了提高。

Description

基于深度注意力机制和几何信息的超宽带室内定位方法
技术领域
本发明属于定位技术，具体为一种基于深度注意力机制和几何信息的超宽带室内定位方法。
背景技术
近年来，基于学习的超宽带定位方法发展迅速，在复杂场景中取得了最先进的定位结果。然而，它们仍然存在两个缺点。1)没有全局性地抑制测量噪声；2)没有融入对超宽带定位很重要的几何信息。
现有的基于学习的定位方法也存在着一些局限性。一方面，在复杂的室内环境中，较大的测量噪声会对定位精度产生不利影响。然而，现有的深度网络无法从全局角度掩盖那些具有较大噪声的测距值，导致在复杂场景中出现明显的定位错误。另一方面，考虑到基站和标签之间的几何约束是超宽带定位的基础，超宽带传感器的几何信息对超宽带定位非常重要。然而，现有的大多数深度网络以及他们的训练策略只采用估计位置和真实位置之间的距离作为训练网络的成本函数，而没有考虑到超宽带的几何信息。这些问题将影响超宽带的定位性能。
发明内容
有鉴于此，本发明的目的在于提供一种基于深度注意力机制和几何信息的超宽带室内定位方法，极大提高了在复杂场景下的超宽带定位问题。
为实现上述目的，本发明采用如下技术方案：一种基于深度注意力机制和几何信息的超宽带室内定位方法，包括以下步骤：
步骤A：利用嵌入模块将包含基站几何位置信息的原始测距值投射到一个测距向量中；
步骤B：将嵌入的测量值被送入Transformer编码器模块，以学习它们的高级空间特征；
步骤C：将由Transformer编码器模块产生的高级空间特征送入独立的深度门控循环单元，学习测量序列的时间特征；通过基于深度门控循环单元模块的输出设计的独立回归层来估计标签的位置和距离；
步骤D：采用监督学习策略，结合预先收集的真值信息和几何约束来训练步骤A～步骤C构成的网络模型，将采集的原始测距值输入训练好的网络模型获得室内定位结果。
优选地，步骤A的具体步骤为：
步骤A1：使用基站设定次数的连续的测量距离作为输入，具体表示为：
Input＝(d1,d2,…,dM)
其中di包含了标签和第i个基站之间连续的设定次数测量距离，M代表基站的数量；
步骤A2：通过一个线性层将输入的连续的测量距离di映射到一个D维向量中，通过另一个线性层将第i个基站Ai映射到另一个D维向量中；将这两个向量相加得到嵌入模块的输出。
优选地，所述Transformer编码器模块的个数为4个，且依次连接。
优选地，每个Transformer编码器模块的处理过程为：
步骤B1：将步骤A获取的嵌入模块的输出，分别通过多个线性投影来计算多个查询向量关键向量/>和价值向量/>n表示向量Q,K,V的行数，dk表示向量Q,K,V的列数；
步骤B2：利用一个独立的缩放点乘注意力模块对步骤B1获取的每个Q-K-V进行处理，缩放点乘注意力模块计算过程如下：
其中H是缩放点积注意力块的输出，表示价值向量的计算权重；
步骤B3：将多个缩放点积注意力模块的输出连接，并通过线性层处理后与步骤A获取的嵌入模块的输出相加，获取输出H'；
步骤B4，将输出H'进行归一化处理，获取输出H″；将H″通过前向神经网络获取输出H″′；将H″′与H″相加获取Transformer编码器模块的输出。
优选地，所述步骤C具体为：
步骤C1：利用GRU建立两个深度门控循环单元模块，每个深度门控循环单元模块包括三层深度门控循环单元，每层的序列被设定为16；
步骤C2：对于标签位置的回归，将Transformer编码器的输出xT∈RM×D扁平化并使用线性层处理获得x'T；将x'T送入一个深度门控循环单元模块获取时间特征y'T；将y'T依次通过一个具有ReLU激活函数的全连接层和一个线性层，获取被估计的标签位置；
步骤C3：对于距离信息的回归，将Transformer编码器的输出xT分成xT,i∈R1×D，其中i∈[1,2,…,M]，每一个xT,i被送入一个深度门控循环单元模块获取时间特征yT,i；将yT,i依次通过一个具有ReLU激活函数的全连接层和一个线性层，获取被估计的距离信息。
优选地，采用监督学习策略，结合预先收集的真值信息和几何约束来训练步骤A～步骤C构成的网络模型的具体方法为：
步骤D1：建立几何损失Lg为
其中，Ai是已知且位置固定的第i个基站，表示通过拟建网络估计的第t帧的标签位置，/>表示第t帧标签和第i个基站之间的估计距离，M表示基站的数量；
步骤D2：建立位置损失Lp和距离损失Ld，分别为
其中pt和dt,i分别表示第t帧地面真实位置和距离；
步骤D3：建立完整的成本函数，定义如下：
L＝γlLg+γ2Lp+γ3Ld
其中γ1，γ2，γ3表示三个损失函数的权重。
步骤D4：利用步骤D3建立的成本函数，通过监督训练的方式，训练步骤A～步骤C建立的模型。
本发明与现有技术相比，其显著优点为：本发明在利用深度网络进行超宽带定位时，一方面通过注意力机制，充分考虑各个测量的权重，对噪声较大的测量进行有效的抑制，另一方面，将超宽带传感器中蕴含的几何信息充分融入网络结构和训练的成本函数中，有效提高了定位的精度。
附图说明
下面结合附图及实施例对本发明做进一步说明。
通过阅读参照以下附图所做的对非限制性实施例所做的详细描述，本申请的其他特征、目的和优点将会变得更明显。
图1是本发明所提出的基于深度注意注意力机制的超宽带定位网络的流程图和设计的训练策略。
图2是本发明基站几何位置嵌入的过程。
图3是本发明中Transformer编码器的结构。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1，本发明提供一种基于深度注意力机制和几何信息的超宽带室内定位方法，包括以下步骤：
步骤A：设计一个嵌入模块，将包含基站几何位置信息的原始测距值投射到一个向量中。
步骤B：嵌入的测量值被送入Transformer编码器模块，以学习它们的高级空间特征。
步骤C：将由Transformer编码器模块产生的高级特征送入独立的深度门控循环单元(GRU)，学习测量序列的时间特征。标签的位置和距离是通过基于深度GRU模块的输出设计的独立回归层来估计。
步骤D：设计一个监督学习策略，结合预先收集的地面实况和几何约束来训练拟议的网络。
进一步，地步骤A具体为
步骤A1：使用基站的10个连续的测量距离作为输入。所提出网络的的输入可以定义为
Input＝(d1,d2,…,dM)
其中di包含了标签和第i个基站之间连续的10次测量距离，M代表基站的数量。
步骤A2：如图2所示，通过一个线性层将输入的di映射到一个D维向量中。通过另一个线性层将第i个基站Ai映射到另一个D维向量中。随后将这两个向量相加得到嵌入模块的输出。通过这个过程，包含超宽带传感器几何信息的基站位置被嵌入到输入信号中。
进一步地，步骤B具体为：
如图3所示使用4个Transformer编码器层来提取嵌入式测量的深层空间特征。
步骤B1：Transformer编码器的核心是多头关注，它为不同的测量值分配不同的权重。通过多个线性投影来计算多个查询向量关键向量/>和价值向量
步骤B2：利用一个独立的缩放点乘注意力模块对步骤B1获取的每个Q-K-V进行处理，缩放点乘注意力模块计算过程如下：
其中H是缩放点积注意力块的输出，表示价值向量的计算权重；
步骤B3：将多个缩放点积注意力模块的输出连接，并通过线性层处理后与步骤A获取的嵌入模块的输出相加，获取输出H'；
步骤B4，将输出H'进行归一化处理，获取输出H″；将H″通过前向神经网络获取输出H″′；将H″′与H″相加获取Transformer编码器模块的输出。
进一步地步骤C具体为
步骤C1：利用GRU建立GRU模块。GRU和其他RNN相比可以以较低的计算复杂度获得较高的准确度。GRU包括三层，每层的序列被设定为16。
步骤C2：对于标签位置的回归，将Transformer编码器的输出xT∈RM×D扁平化并使用线性层处理获得x'T；将x'T送入一个深度门控循环单元模块获取时间特征y'T；将y'T依次通过一个具有ReLU激活函数的全连接层和一个线性层，获取被估计的标签位置；
步骤C3：对于距离信息的回归，将Transformer编码器的输出xT分成xT,i∈R1×D，其中i∈[1,2,…,M]，每一个xT,i被送入一个深度门控循环单元模块获取时间特征yT,i；将yT,i依次通过一个具有ReLU激活函数的全连接层和一个线性层，获取被估计的距离信息。
讨论少数基站的信号丢失的情况。对输入进行0填充，不改变输入信号的长度和顺序。对于Transformer编码器，利用屏蔽矩阵来屏蔽不可用的数据。对于深度GRU模块，也对Transformer编码器的输出进行0填充，以确保xT的固定维度，同时我们也为距离回归屏蔽这些填充的零向量。
通过这个设计的网络，可以提取高层次的空间-时间特征，同时可以计算不同测距的权重。因此，大的测量噪声可以被全面抑制。此外，在位置嵌入过程中，包含几何信息的基站位置也被引入网络。
进一步地，步骤D具体为
本步骤采用监督学习策略，结合了超宽带传感器的几何约束来进行模型训练。本发明在成本函数中设计了三种损失，即位置损失、距离损失和几何损失。
几何损失Lg的数学表示为
其中，Ai是已知且位置固定的第i个基站，表示通过拟建网络估计的第t帧的标签位置，/>表示第t帧标签和第i个基站之间的估计距离，M表示基站的数量。
位置损失Lp和距离损失Ld的数学表示分别为
其中pt和dt,i分别表示第t帧地面真实位置和距离。
结合步骤D2和步骤D3，将这三种损失一起最小化，从而得出完整的成本函数，定义如下：
L＝γ1Lg+γ2Lp+γ3Ld
其中γ1，γ2，γ3表示三个损失函数的权重。
利用建立的成本函数，通过监督训练的方式，训练步骤A～步骤C建立的模型。

Claims (4)

1.一种基于深度注意力机制和几何信息的超宽带室内定位方法，其特征在于，包括以下步骤：
步骤A：利用嵌入模块将包含基站几何位置信息的原始测距值投射到一个测距向量中，具体步骤为：
步骤A1：使用基站设定次数的连续的测量距离作为输入，具体表示为：
Input＝(d1,d2,…,dM)
其中di包含了标签和第i个基站之间连续的设定次数测量距离，M代表基站的数量；
步骤A2：通过一个线性层将输入的连续的测量距离di映射到一个D维向量中，通过另一个线性层将第i个基站Ai映射到另一个D维向量中；将这两个向量相加得到嵌入模块的输出；
步骤B：将嵌入的测量值被送入Transformer编码器模块，以学习它们的高级空间特征；
步骤C：将由Transformer编码器模块产生的高级空间特征送入独立的深度门控循环单元，学习测量序列的时间特征；通过基于深度门控循环单元模块的输出设计的独立回归层来估计标签的位置和距离；
步骤D：采用监督学习策略，结合预先收集的真值信息和几何约束来训练步骤A～步骤C构成的网络模型，将采集的原始测距值输入训练好的网络模型获得室内定位结果，具体方法为：
步骤D1：建立几何损失Lg为
其中，Ai是已知且位置固定的第i个基站，表示通过拟建网络估计的第t帧的标签位置，/>表示第t帧标签和第i个基站之间的估计距离，M表示基站的数量；
步骤D2：建立位置损失Lp和距离损失Ld，分别为
其中pt和dt,i分别表示第t帧地面真实位置和距离；
步骤D3：建立完整的成本函数，定义如下：
L＝γ1Lg+γ2Lp+γ3Ld
其中γ1，γ2，γ3表示三个损失函数的权重；
步骤D4：利用步骤D3建立的成本函数，通过监督训练的方式，训练步骤A～步骤C建立的模型。
2.根据权利要求1所述的基于深度注意力机制和几何信息的超宽带室内定位方法，其特征在于，所述Transformer编码器模块的个数为4个，且依次连接。
3.根据权利要求2所述的基于深度注意力机制和几何信息的超宽带室内定位方法，其特征在于，每个Transformer编码器模块的处理过程为：
步骤B1：将步骤A获取的嵌入模块的输出，分别通过多个线性投影来计算多个查询向量关键向量/>和价值向量/>n表示向量Q,K,V的行数，dk表示向量Q,K,V的列数；
步骤B2：利用一个独立的缩放点乘注意力模块对步骤B1获取的每个Q-K-V进行处理，缩放点乘注意力模块计算过程如下：
其中H是缩放点积注意力块的输出，表示价值向量的计算权重；
步骤B3：将多个缩放点积注意力模块的输出连接，并通过线性层处理后与步骤A获取的嵌入模块的输出相加，获取输出H′；
步骤B4，将输出H′进行归一化处理，获取输出H”；将H”通过前向神经网络获取输出H″′；将H″′与H”相加获取Transformer编码器模块的输出。
4.根据权利要求1所述的基于深度注意力机制和几何信息的超宽带室内定位方法，其特征在于，所述步骤C具体为：
步骤C1：利用GRU建立两个深度门控循环单元模块，每个深度门控循环单元模块包括三层深度门控循环单元，每层的序列被设定为16；
步骤C2：对于标签位置的回归，将Transformer编码器的输出xT∈RM×D扁平化并使用线性层处理获得x′T；将x′T送入一个深度门控循环单元模块获取时间特征y′T；将y′T依次通过一个具有ReLU激活函数的全连接层和一个线性层，获取被估计的标签位置；
步骤C3：对于距离信息的回归，将Transformer编码器的输出xT分成xT,i∈R1×D，其中i∈[1,2,…,M]，每一个xT,i被送入一个深度门控循环单元模块获取时间特征yT,i；将yT,i依次通过一个具有ReLU激活函数的全连接层和一个线性层，获取被估计的距离信息。
CN202310001992.9A 2023-01-03 2023-01-03 基于深度注意力机制和几何信息的超宽带室内定位方法 Active CN116170746B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310001992.9A CN116170746B (zh) 2023-01-03 2023-01-03 基于深度注意力机制和几何信息的超宽带室内定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310001992.9A CN116170746B (zh) 2023-01-03 2023-01-03 基于深度注意力机制和几何信息的超宽带室内定位方法

Publications (2)

Publication Number Publication Date
CN116170746A CN116170746A (zh) 2023-05-26
CN116170746B true CN116170746B (zh) 2023-12-08

Family

ID=86419388

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310001992.9A Active CN116170746B (zh) 2023-01-03 2023-01-03 基于深度注意力机制和几何信息的超宽带室内定位方法

Country Status (1)

Country Link
CN (1) CN116170746B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117406170A (zh) * 2023-12-15 2024-01-16 中科华芯(东莞)科技有限公司 一种基于超宽带的定位方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110972056A (zh) * 2019-11-08 2020-04-07 宁波大学 一种基于机器学习的uwb室内定位方法
WO2022030898A1 (ko) * 2020-08-03 2022-02-10 삼성전자 주식회사 무선 통신을 이용한 측위 방법 및 이를 지원하는 전자 장치
CN114708309A (zh) * 2022-02-22 2022-07-05 广东工业大学 基于建筑平面图先验信息的视觉室内定位方法及系统
CN114966538A (zh) * 2022-04-26 2022-08-30 清华大学 联合场景识别与测距测角误差校准的单站定位方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110972056A (zh) * 2019-11-08 2020-04-07 宁波大学 一种基于机器学习的uwb室内定位方法
WO2022030898A1 (ko) * 2020-08-03 2022-02-10 삼성전자 주식회사 무선 통신을 이용한 측위 방법 및 이를 지원하는 전자 장치
CN114708309A (zh) * 2022-02-22 2022-07-05 广东工业大学 基于建筑平面图先验信息的视觉室内定位方法及系统
CN114966538A (zh) * 2022-04-26 2022-08-30 清华大学 联合场景识别与测距测角误差校准的单站定位方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Research on the IR-UWB Ranging Algorithm in Outdoor Near-Ground Environment;Y. Li等;《018 International Conference on Sensor Networks and Signal Processing (SNSP)》;全文 *
Transformer-based NLoS detection in UWB localization systems;S.Tomović等;《2022 30th Telecommunications Forum (TELFOR)》;全文 *
非视距误差神经网络改正的超宽带定位模型研究;刘培原;王坚;盛坤鹏;韩厚增;;导航定位与授时(第03期);全文 *

Also Published As

Publication number Publication date
CN116170746A (zh) 2023-05-26

Similar Documents

Publication Publication Date Title
Gosala et al. Bird’s-eye-view panoptic segmentation using monocular frontal view images
WO2023280065A1 (zh) 一种面向跨模态通信系统的图像重建方法及装置
CN111611878A (zh) 一种基于视频图像的人群计数和未来人流量预测的方法
CN113936139A (zh) 一种视觉深度信息与语义分割相结合的场景鸟瞰图重构方法及系统
CN111354030B (zh) 嵌入SENet单元的无监督单目图像深度图生成方法
CN111832484A (zh) 一种基于卷积感知哈希算法的回环检测方法
CN116170746B (zh) 基于深度注意力机制和几何信息的超宽带室内定位方法
CN115331009A (zh) 基于多任务MeanTeacher的医学图像分割方法
CN111382686A (zh) 一种基于半监督生成对抗网络的车道线检测方法
CN112560865B (zh) 一种室外大场景下点云的语义分割方法
CN113688253B (zh) 一种层次感知的时态知识图谱表示学习方法
CN116129390B (zh) 一种增强曲线感知的车道线精准检测方法
CN114780767A (zh) 一种基于深度卷积神经网络的大规模图像检索方法及系统
CN108009512A (zh) 一种基于卷积神经网络特征学习的人物再识别方法
CN112949500A (zh) 一种基于空间特征编码改进的YOLOv3车道线检测方法
CN116543338A (zh) 一种基于注视目标估计的学生课堂行为检测方法
WO2024016424A1 (zh) 基于生成对抗网络的稀疏码本多址编解码系统
CN116630917A (zh) 一种车道线检测方法
CN116310967A (zh) 一种基于改进YOLOv5的化工厂安全帽佩戴检测方法
CN114399628B (zh) 复杂空间环境下的绝缘子高效检测系统
CN115273081A (zh) 基于自适应特征采样的点云语义分割方法及系统
CN113283393B (zh) 基于图像组与两流网络的Deepfake视频检测方法
CN112598115A (zh) 一种基于非局部邻关系学习的深度神经网络层次分析方法
CN114689351A (zh) 一种设备故障预测性诊断系统及方法
CN113313091B (zh) 仓储物流下的基于多重注意力和拓扑约束的密度估计方法

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