利用神经增强信息传递的分类辅助鲁棒多目标追踪
本研究提出了一种基于卷积神经网络的方法,可直接从无线信号的距离 - 多普勒图中估算移动目标的范围和速度指数,并实验证明我们的模型相比现有方法在不同的信噪比下具有更好的范围和速度估算精度和更短的预测时间,并且在峰值信噪比方面表现的也更为优秀。
May, 2023
本研究提出了一种基于神经增强信念传播的多目标跟踪方法,NEBP 通过学习原始感应器数据中的信息改进了传统基于统计模型的贝叶斯 MOT 方法,提高了跟踪性能和灵敏性.
Dec, 2022
本文提出了使用自适应学习框架解决多目标过滤的固定运动和测量模型问题,通过使用随机有限集术语定义目标元组以及利用具有长短期记忆结构的递归神经网络,提出了一种与预测轨迹元组兼容的新型数据关联算法,使得能够更新被遮挡的目标以及分配目标的出生、存活和死亡。该算法在一个常用的过滤器模拟场景中进行了评估,结果非常有前途。
Jun, 2018
该研究致力于使用动态无向图和图形神经网络来解决多目标跟踪问题,同时提供了有效的解决方案和建议,证明了使用任何现成的检测器提供的原始边界框就足以在具有挑战性的多目标跟踪数据集上实现有竞争力的跟踪结果。
Jan, 2021
本文提出了一种基于因子图的置信传播方法,用于跟踪未知数量的目标,实现了低计算复杂度和优秀的可扩展性,具有比其他方法更加有利的计算复杂度,能够适用于目标跟踪等领域。
Jul, 2016
本文中,我们研究了使用单相不相干方案进行大规模机器型通信(mMTC)中的关节设备活动和数据检测,其中数据位嵌入到导联序列中,基站同时检测活动设备及其嵌入的数据位而无需显式通道估计;针对非相干传输方案引入的相关稀疏性模式,传统的幅度估计传输(AMP)算法无法达到令人满意的性能,因此,我们提出了一种深度学习修改的 AMP 网络(DL-mAMPnet)。DL-mAMPnet 通过有效利用导联活动相关性来增强检测性能。DL-mAMPnet 通过将 AMP 算法展开为前馈神经网络来构建,将 AMP 算法的原理数学模型与强大的学习能力相结合,从而使两种技术的优势得到了发挥。DL-mAMPnet 引入了可训练参数来近似相关稀疏性模式和大规模衰落系数。此外,设计了一种细化模块,通过利用相关稀疏性模式引起的空间特性进一步提高性能。仿真结果表明,所提出的 DL-mAMPnet 在符号误差率性能方面可以显著优于传统算法。
Jan, 2023
本文提出了一种基于循环神经网络 (RNNs) 进行在线多目标跟踪的新方法,在真实场景下跟踪多个对象涉及许多挑战,包括 a)先验未知和时变目标数量,b)所有目标的连续状态估计,和 c)数据关联的离散组合问题。这项工作中提出的方案通过端到端学习的方式,解决了上述的所有问题,并在合成数据和真实数据上的实验表明取得了不错的效果,为未来研究方向奠定了基础。
Apr, 2016
本文研究了一种整合感知和通信系统中基于雷达的通信系统,其中基站配备 MIMO 雷达,通过目标用户关联和波束预测实现通信任务。提出了一种基于目标 - 用户关联的方法,通过修改 YOLO 模型实现多目标检测和波束推断,结果表明该方法在不同的移动场景下能够提供正确关联的概率,并展示了修改后的 YOLO 架构在雷达目标检测方面的效果。
Jan, 2024
通过联合感知和通信网络,多个基站通过融合中心合作,实现了对感知环境的信息交换,同时与一组用户设备建立通信连接。利用卷积神经网络对目标进行分类,采用自适应聚类算法更有效地分组检测到的目标,并应用多目标跟踪算法估计目标状态,该框架在保持通信服务 10% 至 20% 的通信容量降低的条件下,提供了显著的感知性能。
Oct, 2023
优化传感器部署在目标定位中至关重要,本文提出了一种方案,利用雷达参数和雷达目标距离的范围测量模型以及模型预测路径积分控制,有效管理复杂环境障碍和动态约束,通过与常规雷达和简化的范围测量模型进行对比,结果表明该方案在目标定位方面表现优异,平均均方根误差(RMSE)降低 38-74%,90% 最高密度区间(HDI)上尾巴的降幅为 33-79%,可在认可后公开代码。
May, 2024