-
Patent Agency Ranking
公开(公告)号：CN119729018A
公开(公告)日：2025-03-28
申请号：CN202411736789.7
申请日：2024-11-29
Applicant: 重庆邮电大学
IPC: H04N19/597 , H04N19/70 , H04N19/132 , H04N13/161 , H04N13/194
Abstract: 本发明涉及一种面向三维点云无线传输的自适应深度信源信道联合编码方法，属于信源信道编码领域，包括以下步骤：S1：构建深度信源信道联合编码器模型，包括点云下采样模块和特征提取模块；S2：利用适合于无序点云的功率归一化方法获得输入信道的复数语义向量#imgabs0#使其在噪声信道上传输；S3：对点云特征与点云坐标进行初始估计；S4：设计信道条件自适应的感知机制；S5：利用多压缩率支持的训练策略对深度信源信道联合编码器模型进行训练；S6：构建深度信源信道联合解码器模型，包括特征提取模块、特征扩展模块的和点云坐标重建模块。
-
公开(公告)号：CN119741385A
公开(公告)日：2025-04-01
申请号：CN202411736795.2
申请日：2024-11-29
Applicant: 重庆邮电大学
IPC: G06T9/00 , H04N19/124 , G06N3/0455 , G06N3/0464 , G06N3/08 , G01S17/88
Abstract: 本发明涉及一种面向语义分割的激光雷达点云压缩系统，属于自动驾驶技术领域，包括：激光雷达点云投影模块：用于将三维空间在的激光雷达点云数据投影为深度图像，将点云数据转为二维表示；非线性变换网络：用于将深度图像进行编码处理，获得编码特征；量化模块：用于将获得的编码特征进行量化，获得量化特征；超先验变换网络和超先验反变换网络：作用于所获得的编码特征，生成先验信息；非线性反变换网络：用于将解码特征还原为用于下游机器视觉任务的中间特征；机器视觉任务网络：用于对非线性反变换网络传递的中间特征进行分析处理，获得激光雷达点云压缩结果。
-
公开(公告)号：CN119741386A
公开(公告)日：2025-04-01
申请号：CN202411736810.3
申请日：2024-11-29
Applicant: 重庆邮电大学
IPC: G06T9/00 , G06T3/08 , G06V10/762 , G01S7/48
Abstract: 本发明涉及一种基于深度图和冗余点去除的点云压缩方法，属于数据压缩技术领域，包括以下步骤：S1：将单帧点云数据转化为深度图表示；S2：对地平线进行估计；S3：去除深度图中的近地点；S4：对深度图剩余的点进行聚类；S5：根据点云簇的密度特征进行冗余点去除；S6：对点云数据进行帧内预测；S7：将得到每一帧距离图像的点云簇标签、点云簇中心值和预测残差压缩成比特流并打包成文件。
-
公开(公告)号：CN119727855A
公开(公告)日：2025-03-28
申请号：CN202411736798.6
申请日：2024-11-29
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于卷积神经网络的自适应卫星信道估计方法，属于信道估计领域，包括以下步骤：S1：构建上行卫星信道的系统模型，并根据系统模型生成信道矩阵；S2：根据所建立的系统模型，模拟生成接收端的接收信号；S3：根据导频，使用最小二乘估计法对信道进行初步估计；S4：基于卷积神经网络，构建自适应信噪比的信道估计模型；S5：将对卫星信道的初步估计值作为模型的输入，将依据上行卫星信道系统模型生成的信道特征作为标签，信道估计值作为模型的输出；S6：将标签和输入数据划分为测试集和训练集，以归一化均方误差作为损失函数，对信道估计模型进行训练，直至所述信道估计模型收敛，用测试集检验信道估计模型性能。
-
公开(公告)号：CN119727854A
公开(公告)日：2025-03-28
申请号：CN202411736791.4
申请日：2024-11-29
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种面向RIS辅助的卫星通信信道估计方法，属于信道估计技术领域，包括以下步骤：S1：构建基于自注意力的深度学习网络模型；S2：建立RIS辅助的LEO上行链路系统模型，并根据所述系统模型生成信道特征矩阵，得到接收信号；S3：对接收信号进行最小二乘估计得到初步估计值#imgabs0#S4：将所述初步估计值作为步骤S1所述深度学习网络模型的输入，对深度学习网络模型进行训练，直到深度学习网络模型收敛，输出为RIS辅助的LEO信道的最终估计值。
-
-
-
-
Search Results
5
records
(took 0.019 seconds)
