具有混合记忆的自步对比学习(Self-paced Contrastive Learning,SpCL)通过集群聚类生成不同级别的伪标签来训练网络,取得了较好的识别效果,然而该方法从源域和目标域中捕获的行人数据之间存在典型的分布差异,使得训练出的网络不能准确区别目标域和源域数据域特征。针对此问题,提出了双分支动态辅助对比学习(Dynamic Auxiliary Contrastive Learning,DACL)框架。该方法首先通过动态减小源域和目标域之间的局部最大平均差异(Local Maximum Mean Discrepancy,LMMD),以有效地学习目标域的域不变特征;其次,引入广义均值(Generalized Mean,GeM)池化策略,在特征提取后再进行特征聚合,使提出的网络能够自适应地聚合图像的重要特征;最后,在3个经典行人重识别数据集上进行了仿真实验,提出的DACL与性能次之的无监督域自适应行人重识别方法相比,mAP和rank-1在Market1501数据集上分别增加了6.0个百分点和2.2个百分点,在MSMT17数据集上分别增加了2.8个百分点和3.6个百分点,在Duke数据集上分别增加了1.7个百分点和2.1个百分点。
基于迫零准则(Zero Forcing,ZF)的波束成形和基于最小均方误差(Minimum Mean Square Error,MMSE)的波束成形是应用广泛的两种波束成形预编码方式。但是,在大规模MIMO场景下,发送端和接收端的天线数量较大,在应用ZF和MMSE两种预编码方法...
详细信息
基于迫零准则(Zero Forcing,ZF)的波束成形和基于最小均方误差(Minimum Mean Square Error,MMSE)的波束成形是应用广泛的两种波束成形预编码方式。但是,在大规模MIMO场景下,发送端和接收端的天线数量较大,在应用ZF和MMSE两种预编码方法时,对矩阵的求逆计算变得尤为复杂。文中提出了一种基于波束域降维的波束成形方法来降低预编码计算的复杂度,通过引入波束域信道矩阵的概念,对维度较大的全维信道矩阵进行等效分解,再对分解后的降维矩阵分别做预编码,降低了波束成形预编码计算的复杂度。最后通过仿真验证了该方案的可行性。
暂无评论