CN116299170B - 一种基于深度学习的多目标无源定位方法、系统、介质 - Google Patents
一种基于深度学习的多目标无源定位方法、系统、介质 Download PDFInfo
- Publication number
- CN116299170B CN116299170B CN202310162079.7A CN202310162079A CN116299170B CN 116299170 B CN116299170 B CN 116299170B CN 202310162079 A CN202310162079 A CN 202310162079A CN 116299170 B CN116299170 B CN 116299170B
- Authority
- CN
- China
- Prior art keywords
- data
- time
- frequency
- positioning
- network
- 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
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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/08—Position of single direction-finder fixed by determining direction of a plurality of spaced sources of known location
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明属于电磁信号处理技术领域,特别涉及一种多目标无源定位方法。一种基于深度学习的多目标无源定位方法,包括:S1.对接收机空缺输入数据和发射机空缺的标签数据采用零填充法进行填充;S2.对电磁数据进行一维信号的二维图片化;S3.提取时频图像信号的特征;S4.将所提取的特征与定位问题中的其他信息进行拼接;S5.将拼接的数据送入全连接网络进行坐标回归,输出定位结果;S6.在网络训练时,基于网络输出的多个目标的定位结果与标签一一对应,利用置换不变训练法,选取最小的误差结果进行训练。相比于目前假定发射机和接收机数目不变的方法,本方法能够灵活的适用于更多的定位场景。同时,本发明还公开了一种多目标无源定位系统和介质。
Description
技术领域
本发明属于电磁信号处理技术领域,特别涉及一种多目标无源定位方法、系统和介质。
背景技术
随着电磁作战空间重要性的不断提升,广范围、高精度、快速的多目标无源定位需求不断提升。近年来,深度学习以大数据为驱动力,在多个领域的应用均取得了不错的效果。随着电磁信号监测系统的发展,定位数据有着海量化的发展趋势。因此,利用海量化数据,以深度学习为驱动力,实现广范围、高精度、快速的多目标无源定位是顺应大数据支持下无源定位的发展趋势。
为此,许多研究者基于深度学习技术实现了多目标的无源定位,然而,目前的方法都是假设接收机和发射机的数目其中之一或者全部固定。在实际应用中,接收机数目固定会导致算法的适用性下降,尤其是在用于接收机速度位置高速动态变化的场景中。发射机数目固定往往要求在定位前先进行发射机的数目估计,这会降低算法的实时性,且需要针对不同发射机数目训练单独的模型,导致定位任务的工作量增加。因此,一种基于深度学习端到端的针对可变发射机和接收机数目的多目标无源定位方法亟待提出。
发明内容
本发明的目的是:针对目前基于深度学习的多目标无源定位方法的局限性,设计了适用于可变发射机与接收机数目的端到端的多目标无源定位方案,适用于发射机接收机数目动态变化的定位场景。
本发明的一个技术方案是:一种基于深度学习的多目标无源定位方法,包括以下步骤:
S1. 采用零填充法对接收机所空缺的输入数据以及发射机位置所空缺的标签数据进行填充;其中:所述接收机的输入数据包括:电磁信号及其他数据。
S2. 对所述输入数据中的电磁信号进行一维信号的二维图片化,得到时频图像信号。
S3. 利用时频特征提取网络提取所述时频图像信号的特征。
S4. 将S3中所提取的特征与S1中所述输入数据中的其他数据进行拼接。
S5 将拼接数据送入全连接网络进行坐标回归,输出多发射机位置估计。
S6. 将S5中得到的多发射机位置估计按照全排列方式进行展开,与S1中填充处理后的发射机的标签数据一一对应计算定位误差,利用置换不变训练法,选取损失函数中最小的一个作为网络梯度反向传播的损失函数进行网络训练。
本发明的第二个技术方案是:一种基于深度学习的多目标无源定位系统,包括:数据补全单元、时频变换单元、时频特征提取单元、坐标回归单元、置换不变训练单元。该系统基于零填充法、时频变换法、时频特征提取网络、全连接网络和置换不变训练法来实现。其中:
所述数据补全单元被配置为,采用零填充法对接收机所空缺的输入数据以及发射机位置所空缺的标签数据进行填充。
所述时频变换单元被配置为,通过小波变换或短时傅里叶变换将一维的复数电磁信号转变为二维的复数时频图,并对所述二维的复数时频图取模得到二维的实数时频图。
所述时频特征提取单元被配置为,利用卷积神经网络或者视觉Transformer提取所述二维实数时频图中的时频特征。
所述坐标回归单元被配置为,将所述接收机输入的其他数据与所述时频特征拼接并利用全连接网络回归为预测的多个发射机的定位结果。
所述置换不变训练单元被配置为,将基于网络输出的多个发射机的定位结果与零填充后的标签数据一一对应,利用置换不变训练法,选取最小的误差结果进行训练。
本发明的第三个技术方案是:一种存储有指令的非暂时性计算机可读介质,当指令执行时,处理器根据如本发明方案一所述的一种基于深度学习的多目标无源定位方法中的步骤执行。
有益效果:本发明利用零填充法解决可变发射机和接收机数目的问题,利用置换不变训练解决网络多个发射机估计结果与多个标签的怎样一一对应的排列问题,实现了网络有效的训练。相比于目前假定发射机和接收机数目不变的方法,本方法能够灵活的适用于更多的定位场景。
附图说明
图1为本发明实施例1中的方法流程图;
图2为本发明实施例2中的方法训练与定位的示意图;
图3为本发明实施例3中的系统组成框图;
附图说明:1-数据补全单元、2-时频变换单元、3-时频特征提取单元、4-坐标回归单元、5-置换不变训练单元。
具体实施方式
实施例1:参见附图1,一种基于深度学习的多目标无源定位方法,包括以下步骤:
S1. 采用零填充法对接收机所空缺的输入数据以及发射机位置所空缺的标签数据进行填充;其中:所述接收机的输入数据包括:电磁信号及其他数据。
S2. 对所述输入数据中的电磁信号进行一维信号的二维图片化,得到时频图像信号。
S3. 利用时频特征提取网络提取所述时频图像信号的特征。
S4. 将S3中所提取的特征与S1中所述输入数据中的其他数据进行拼接。
S5 将拼接数据送入全连接网络进行坐标回归,输出多发射机位置估计。
S6. 将S5中得到的多发射机位置估计按照全排列方式进行展开,与S1中填充处理后的发射机的标签数据一一对应计算定位误差,利用置换不变训练法,选取损失函数中最小的一个作为网络梯度反向传播的损失函数进行网络训练。
实施例2:参见附图2,在实施例1的基础上,进一步的:
S1中:所述接收机的输入数据包括:N个电磁数据以及N个其他数据,其他数据包括:所述接收机的位置与速度、采样频率/>、中心频率/>;N小于规定所要求的能够保证可见定位场景中的输入数据个数R,对于空缺的R-N个数据以“零”值进行填充;填充后的所述接收机的位置与速度记做/>。
所述发射机的标签数据为M个,记做;M小于规定所要求的能够保证可见定位场景中的标签数据个数为U,对于空缺的U-M个数据以“零”值进行填充;填充后的所述发射机的标签记做/>。
S2中:首先通过小波变换或短时傅里叶变换将一维的复数电磁信号转变为二维的复数时频图,之后对所述二维的复数时频图取模得到二维的实数时频图。
短时傅里叶变换从傅里叶变换基础上演变而来,传统傅里叶变换在整个时间尺度上,基于正弦函数的组合对原信号进行逼近,只能将一维时域信息映射为频域信息,完成信息观察维度的转换,但却不能增加信息的维度。短时傅里叶变换则采用加窗函数对时域信息处理后再进行傅里叶变换,在进行操作时,逐步在时域轴移动窗函数再进行傅里叶变换得到频域信息,从而将时频信息一一对应,得到二维的时频图。
小波变换基于同样的目标,通过改变小波基本函数的频率与时延以逼近原始信号。小波变换在时域和频域都是局部的而传统的傅立叶变换只在频域上是局部的。短时间傅立叶变换也是时域和频域的局部化处理,但时频分辨率存在此消彼长的矛盾,且每次变换的时间窗口都固定,导致时频分辨率只有一个,而小波变换时间分辨率与频率分辨率之积为一常数,每次变换能通过多分辨率分析,以此能给出信号更好的表示。
S3中,所述时频特征提取网络包括卷积神经网络或者视觉Transformer。
S6具体包括:
1)将多发射机位置估计与经过零填充方法处理后的多个标签一一对应计算欧氏距离,并求和作为第一种损失函数的结果;
2)将多发射机位置估计与经过零填充方法处理后的多个标签一一对应计算欧氏距离,并求和作为第二种损失函数的结果;
3)将多发射机位置估计与经过零填充方法处理后的多个标签一一对应计算欧氏距离,并求和作为第三种损失函数的结果;
4)按照上述方法,通过对多发射机位置估计进行全排列后与发射机的标签数据一一对应计算定位误差,最终总共得到种损失函数的结果,选取损失函数/>中最小的一个作为网络梯度反向传播的损失函数进行网络训练。
实施例3,参照附图3,一种基于深度学习的多目标无源定位系统,包括:数据补全单元1、时频变换单元2、时频特征提取单元3、坐标回归单元4、置换不变训练单元5。该系统基于零填充法、时频变换法、时频特征提取网络、全连接网络和置换不变训练法来实现。其中:
所述数据补全单元1被配置为,采用零填充法对接收机所空缺的输入数据以及发射机位置所空缺的标签数据进行填充。
所述时频变换单元2被配置为,通过小波变换或短时傅里叶变换将一维的复数电磁信号转变为二维的复数时频图,并对所述二维的复数时频图取模得到二维的实数时频图。
所述时频特征提取单元3被配置为,利用卷积神经网络或者视觉Transformer提取所述二维实数时频图中的时频特征。
所述坐标回归单元4被配置为,将所述接收机输入的其他数据与所述时频特征拼接并利用全连接网络回归为预测的多个发射机的定位结果。
所述置换不变训练单元5被配置为,将基于网络输出的多个发射机的定位结果与零填充后的标签数据一一对应,利用置换不变训练法,选取最小的误差结果进行训练。
实施例4,一种存储有指令的非暂时性计算机可读介质,当指令执行时,处理器根据如实施例1或2所述的一种基于深度学习的多目标无源定位方法中的步骤执行。
虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (6)
1.一种基于深度学习的多目标无源定位方法,其特征在于,包括以下步骤:
S1. 采用零填充法对接收机所空缺的输入数据以及发射机位置所空缺的标签数据进行填充;
其中:所述接收机的输入数据包括:电磁信号及其他数据;
S2. 对所述输入数据中的电磁信号进行一维信号的二维图片化,得到时频图像信号;
S3. 利用时频特征提取网络提取所述时频图像信号的特征;
S4. 将S3中所提取的特征与S1中所述输入数据中的其他数据进行拼接;
S5 将拼接数据送入全连接网络进行坐标回归,输出多发射机位置估计;
S6. 将S5中得到的多发射机位置估计按照全排列方式进行展开,与S1中填充处理后的发射机的标签数据一一对应计算定位误差,利用置换不变训练法,选取损失函数中最小的一个作为网络梯度反向传播的损失函数进行网络训练;
S6具体包括:
1)将多发射机位置估计与经过零填充方法处理后的多个标签/>一一对应计算欧氏距离,并求和作为第一种损失函数的结果;
2)将多发射机位置估计与经过零填充方法处理后的多个标签/>一一对应计算欧氏距离,并求和作为第二种损失函数的结果;
3)将多发射机位置估计与经过零填充方法处理后的多个标签/>一一对应计算欧氏距离,并求和作为第三种损失函数的结果;
4)按照上述方法,通过对多发射机位置估计进行全排列后与发射机的标签数据一一对应计算定位误差,最终总共得到种损失函数的结果,选取损失函数/>中最小的一个作为网络梯度反向传播的损失函数进行网络训练。
2.如权利要求1所述的一种基于深度学习的多目标无源定位方法,其特征在于,S1中:所述接收机的输入数据包括:N个电磁数据以及N个其他数据,其他数据包括:所述接收机的位置与速度、采样频率、中心频率/>;N小于规定所要求的能够保证可见定位场景中的输入数据个数R,对于空缺的R-N个数据以“零”值进行填充;
所述发射机的标签数据为M个,M小于规定所要求的能够保证可见定位场景中的标签数据个数为U,对于空缺的U-M个数据以“零”值进行填充。
3.如权利要求1或2所述的一种基于深度学习的多目标无源定位方法,其特征在于,S2中:首先通过小波变换或短时傅里叶变换将一维的复数电磁信号转变为二维的复数时频图,之后对所述二维的复数时频图取模得到二维的实数时频图。
4.如权利要求1或2所述的一种基于深度学习的多目标无源定位方法,其特征在于,S3中,所述时频特征提取网络包括卷积神经网络或者视觉Transformer。
5.一种基于深度学习的多目标无源定位系统,其特征在于,用于实现权利要求1-4任一项所述的一种基于深度学习的多目标无源定位方法,包括:数据补全单元(1)、时频变换单元(2)、时频特征提取单元(3)、坐标回归单元(4)、置换不变训练单元(5);
所述数据补全单元(1)被配置为,采用零填充法对接收机所空缺的输入数据以及发射机位置所空缺的标签数据进行填充;
所述时频变换单元(2)被配置为,通过小波变换或短时傅里叶变换将一维的复数电磁信号转变为二维的复数时频图,并对所述二维的复数时频图取模得到二维的实数时频图;
所述时频特征提取单元(3)被配置为,利用卷积神经网络或者视觉Transformer提取所述二维实数时频图中的时频特征;
所述坐标回归单元(4)被配置为,将所述接收机输入的其他数据与所述时频特征拼接并利用全连接网络回归为预测的多个发射机的定位结果;
所述置换不变训练单元(5)被配置为,将基于网络输出的多个发射机的定位结果与零填充后的标签数据一一对应,利用置换不变训练法,选取最小的误差结果进行训练。
6.一种存储有指令的非暂时性计算机可读介质,其特征在于,当指令执行时,处理器根据权利要求1-4中任一项所述的一种基于深度学习的多目标无源定位方法中的步骤执行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310162079.7A CN116299170B (zh) | 2023-02-23 | 2023-02-23 | 一种基于深度学习的多目标无源定位方法、系统、介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310162079.7A CN116299170B (zh) | 2023-02-23 | 2023-02-23 | 一种基于深度学习的多目标无源定位方法、系统、介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116299170A CN116299170A (zh) | 2023-06-23 |
CN116299170B true CN116299170B (zh) | 2023-09-01 |
Family
ID=86812509
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310162079.7A Active CN116299170B (zh) | 2023-02-23 | 2023-02-23 | 一种基于深度学习的多目标无源定位方法、系统、介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116299170B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4288658A (en) * | 1979-11-06 | 1981-09-08 | Frederick Electronics Corporation | Apparatus for generating telex signaling sequences in a distributed processing telex exchange |
GB2423898A (en) * | 2005-03-01 | 2006-09-06 | Toshiba Res Europ Ltd | Optimising OFDM training data sequences using a cost function |
WO2017133009A1 (zh) * | 2016-02-04 | 2017-08-10 | 广州新节奏智能科技有限公司 | 一种基于卷积神经网络的深度图像人体关节定位方法 |
CN112329832A (zh) * | 2020-10-27 | 2021-02-05 | 中国人民解放军战略支援部队信息工程大学 | 一种基于深度卷积生成对抗网络的无源定位目标轨迹数据增强方法及系统 |
CN112423265A (zh) * | 2020-11-13 | 2021-02-26 | 武汉理工大学 | 基于csi的双循环神经网络的船载环境室内定位方法 |
CN113179660A (zh) * | 2019-11-26 | 2021-07-27 | 百度时代网络技术(北京)有限公司 | 基于用于深度神经网络的增强学习的张量分解中的排序选择 |
CN113420009A (zh) * | 2021-06-02 | 2021-09-21 | 军事科学院系统工程研究院网络信息研究所 | 一种基于大数据的电磁数据分析装置、系统及方法 |
CN113514796A (zh) * | 2021-06-02 | 2021-10-19 | 军事科学院系统工程研究院网络信息研究所 | 一种无源定位方法、系统和介质 |
CN114595427A (zh) * | 2022-03-10 | 2022-06-07 | 华南理工大学 | 基于非自回归模型的含缺失值车辆轨迹序列填补修复方法 |
CN114937066A (zh) * | 2022-06-09 | 2022-08-23 | 重庆理工大学 | 基于交叉偏移特征与空间一致性的点云配准系统及方法 |
CN114998890A (zh) * | 2022-05-27 | 2022-09-02 | 长春大学 | 一种基于图神经网络的三维点云目标检测算法 |
-
2023
- 2023-02-23 CN CN202310162079.7A patent/CN116299170B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4288658A (en) * | 1979-11-06 | 1981-09-08 | Frederick Electronics Corporation | Apparatus for generating telex signaling sequences in a distributed processing telex exchange |
GB2423898A (en) * | 2005-03-01 | 2006-09-06 | Toshiba Res Europ Ltd | Optimising OFDM training data sequences using a cost function |
WO2017133009A1 (zh) * | 2016-02-04 | 2017-08-10 | 广州新节奏智能科技有限公司 | 一种基于卷积神经网络的深度图像人体关节定位方法 |
CN113179660A (zh) * | 2019-11-26 | 2021-07-27 | 百度时代网络技术(北京)有限公司 | 基于用于深度神经网络的增强学习的张量分解中的排序选择 |
CN112329832A (zh) * | 2020-10-27 | 2021-02-05 | 中国人民解放军战略支援部队信息工程大学 | 一种基于深度卷积生成对抗网络的无源定位目标轨迹数据增强方法及系统 |
CN112423265A (zh) * | 2020-11-13 | 2021-02-26 | 武汉理工大学 | 基于csi的双循环神经网络的船载环境室内定位方法 |
CN113420009A (zh) * | 2021-06-02 | 2021-09-21 | 军事科学院系统工程研究院网络信息研究所 | 一种基于大数据的电磁数据分析装置、系统及方法 |
CN113514796A (zh) * | 2021-06-02 | 2021-10-19 | 军事科学院系统工程研究院网络信息研究所 | 一种无源定位方法、系统和介质 |
CN114595427A (zh) * | 2022-03-10 | 2022-06-07 | 华南理工大学 | 基于非自回归模型的含缺失值车辆轨迹序列填补修复方法 |
CN114998890A (zh) * | 2022-05-27 | 2022-09-02 | 长春大学 | 一种基于图神经网络的三维点云目标检测算法 |
CN114937066A (zh) * | 2022-06-09 | 2022-08-23 | 重庆理工大学 | 基于交叉偏移特征与空间一致性的点云配准系统及方法 |
Non-Patent Citations (1)
Title |
---|
基于深度学习的通信辐射源调制样式识别方法;董睿杰;杨瑞娟;李东瑾;彭岑昕;王国超;;空军预警学院学报(06);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116299170A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11023801B2 (en) | Data processing method and apparatus | |
CN112598762B (zh) | 三维车道线信息生成方法、装置、电子设备和介质 | |
CN113470031B (zh) | 息肉分型方法、模型训练方法及相关装置 | |
CN111860130B (zh) | 基于音频的手势识别方法、装置、终端设备和存储介质 | |
CN109885628B (zh) | 一种张量转置方法、装置、计算机及存储介质 | |
CN110570433A (zh) | 基于生成对抗网络的图像语义分割模型构建方法和装置 | |
JP2019152543A (ja) | 目標認識装置、目標認識方法及びプログラム | |
US20190259175A1 (en) | Detecting object pose using autoencoders | |
CN112861940A (zh) | 双目视差估计方法、模型训练方法以及相关设备 | |
CN111131658B (zh) | 图像隐写方法、装置、电子设备及介质 | |
CN116611491A (zh) | 目标检测模型的训练方法、装置、电子设备和存储介质 | |
CN111639591A (zh) | 轨迹预测模型生成方法、装置、可读存储介质及电子设备 | |
CN116299170B (zh) | 一种基于深度学习的多目标无源定位方法、系统、介质 | |
CN117671254A (zh) | 一种图像分割方法及装置 | |
CN116704473B (zh) | 障碍物信息检测方法、装置、电子设备和计算机可读介质 | |
WO2015186646A1 (en) | System and method for pairwise distance computation | |
CN111861878B (zh) | 通过潜在空间正则化对监督式生成对抗网络进行优化 | |
CN113514796B (zh) | 一种无源定位方法、系统和介质 | |
CN114973410A (zh) | 视频帧的动作特征提取方法及装置 | |
CN115375657A (zh) | 息肉检测模型的训练方法、检测方法、装置、介质及设备 | |
CN112880675B (zh) | 用于视觉定位的位姿平滑方法、装置、终端和移动机器人 | |
CN114429602A (zh) | 语义分割方法、装置、电子设备及存储介质 | |
CN111880146B (zh) | 声源定向方法和装置及存储介质 | |
CN113033397A (zh) | 目标跟踪方法、装置、设备、介质及程序产品 | |
CN114419086A (zh) | 边缘提取方法、装置、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |