极化(Polar)编码协作可同时获得编码增益与分集增益,实现可靠通信。为了解决中继能量受限问题,本文研究了基于无线信息与能量同传(Simultaneous Wireless Information and Power Transfer,SWIPT)技术的Polar编码协作系统。首先,建立了基...
详细信息
极化(Polar)编码协作可同时获得编码增益与分集增益,实现可靠通信。为了解决中继能量受限问题,本文研究了基于无线信息与能量同传(Simultaneous Wireless Information and Power Transfer,SWIPT)技术的Polar编码协作系统。首先,建立了基于SWIPT的Polar编码协作系统模型。其次,鉴于Polar码的Plotkin构造方法将一个长码分裂成两个短码,非常适用于编码协作场景,使用Plotkin构造方法联合设计信源节点和中继节点Polar码,并在目的节点对其进行联合串行相消(Successive Cancellation,SC)译码。相比传统点对点系统,基于SWIPT的Polar编码协作系统使得系统中断概率大幅度降低;与随机低密度奇偶校验(Low Density Parity Check,LDPC)编码协作系统相比,在译码迭代次数低时所提方案误码性能更佳。
无监督域自适应行人重识别(Unsupervised Domain Adaptation for person Re-identification, UDA-ReID)任务致力于将知识从已标记的源域数据转移到目标域。和传统的单源域自适应相比,将多源域的知识迁移到目标域是一项更具挑战性的任务...
详细信息
无监督域自适应行人重识别(Unsupervised Domain Adaptation for person Re-identification, UDA-ReID)任务致力于将知识从已标记的源域数据转移到目标域。和传统的单源域自适应相比,将多源域的知识迁移到目标域是一项更具挑战性的任务。由于领域上的差距,多数据集的简单组合只能产生有限的改进。针对此问题,提出了一种基于精确特征分布匹配和多域信息融合的多源域对比学习(exact feature distribution Matching and multi-domain information Fusion based Multi-domain Contrastive Learning, MFMCL)方法。该方法首先采用具有混合记忆的自步对比学习提取不同域数据的特征,并对提取到的特征进行构图,然后通过两层残差图卷积网络进行多域特征融合。其次,为了增强交叉分布特征、产生更丰富的信息,通过基于排序算法的精确直方图匹配来实现精确特征分布匹配,以获得更多样化的特征增强。实验表明,与目前先进的无监督域自适应行人重识别方法相比,所提出的MFMCL方法在广泛使用的行人重识别数据集Market1501、MSMT17和Duke上都取得了优越的性能。
暂无评论