摘要:随着移动通信技术的发展演进,6G(6th-Generation)网络作为新一代智能化数字信息基础设施,将不再仅聚焦信号的传输和复现,更需要基于电磁传播过程实现对周围环境的高效感知和理解,从而获取信道语义知识,协助智能通信体的预测、决策、波束成形等.因此,相较于传统信道而言,赋予无线信道模型对物理环境的语义理解、重构、表达能力,已成为智能无线信道模型的重要特征.本文提出了一种无线信道语义的分析和建模方法,将信道语义定义为状态语义、行为语义和事件语义3种层级,分别对应信道瞬态多径、信道时变轨迹和信道拓扑结构.此外,基于车载通感一体化(Integrated Sensing And Communication,ISAC)信道测量系统,开展了28 GHz下面向信道语义表征的无线信道测量,基于实测数据对信道语义进行解构、标识、建模,重点分析了3种不同语义下的信道多径分布特性,完成了语义导向的信道生成,结果表明信道语义模型能够在生成较准确信道的同时,表达更丰富的语义信息.本文工作是在语义层面上探索智能信道建模的新方法,通过深入挖掘无线信道的内在语义特征,促进通信系统在理解和认知环境方面的能力,从而提高通信效率和质量.
摘要:随着社交网络的普及和多媒体数据的急剧增长,有效的跨模态检索引起了人们越来越多的关注. 由于哈希有效的检索效率和低存储成本,其被广泛用于跨模态检索任务中.然而,这些基于深度学习的跨模态哈希检索方法大多数是利用图像网络和文本网络各自生成对应模态的哈希码,难以获得更加有效的哈希码,无法进一步减小不同模态数据之间的模态鸿沟.为了更好地提高跨模态哈希检索的性能,本文提出了一种基于迁移知识的跨模态双重哈希(Cross-modal Dual Hashing based on Transfer Knowledge,CDHTK).CDHTK通过结合图像网络、知识迁移网络以及文本网络进行跨模态哈希检索任务.对于图像模态,CDHTK融合图像网络和知识迁移网络各自生成的哈希码,进而生成具有判别性的图像哈希码;对于文本模态,CDHTK融合文本网络和知识迁移网络各自生成的哈希码,从而生成有效的文本哈希码.CDHTK通过采用预测标签的交叉熵损失、生成哈希码的联合三元组量化损失以及迁移知识的差分损失来共同优化哈希码的生成过程,从而提高模型的检索效果,在2个常用的数据集(IAPR TC-12,MIR-Flickr 25K)上进行的实验验证了CDHTK的有效性,比当前最先进的跨模态哈希方法(Adaptive Label correlation based asymm Etric Cross-modal Hashing,ALECH)分别高出6.82%和5.13%.
摘要:在跨场景分类任务中,大多数领域自适应方法(Domain Adaptation,DA)关注于源域数据和目标域数据由相同传感器获得且具有相同地物类别的迁移任务,然而当目标数据中存在新类别时自适应性能会显著下降.此外,大多数高光谱图像分类方法采用全局表征机制,即针对固定大小窗口的样本进行表征学习,其地物类别表征能力有限.本文提出了一种基于局部表征的少样本学习框架(Local representation Few Shot Learning,LrFSL),尝试在少样本学习中构建局部表征机制突破全局表征能力上限.在提出框架中,对所有具有标签的源域数据和少量具有标签的目标域数据构建元任务,依照元学习策略同步进行情景训练,与此同时设计了域内局部表征模块(Intra-domain Local Representation block,ILR-block)用于挖掘样本中多个局部表征的语义信息,设计了域间局部对齐模块(Inter-domain Local Alignment block,ILA-block)进行跨域逐类别分布对齐以缓解领域偏移对少样本学习的影响.在三个公开高光谱图像数据集上的实验结果证明了该方法显著优于目前最先进的方法.