基于深度学习的无线信号语义分割方法综述

刘 路路
西京学院

摘要


随着5G和物联网技术的快速发展，频谱资源日益紧张，对无线信号的智能感知和分析需求日益迫切。时频
图作为无线信号的重要表示形式，能够同时展现信号的时域和频域特征。本文综述了基于深度学习的无线信号时频
图语义分割方法，系统梳理了该领域的研究现状、关键技术和发展趋势。文章首先回顾了时频分析和语义分割的基
础方法，然后重点分析了卷积神经网络（CNN）和视觉Transformer（ViT）在频谱分割任务中的应用，探讨了信号
参数联合预测、多尺度特征融合等关键技术。最后总结了该领域面临的主要挑战和未来发展方向，为相关研究人员
提供参考。

关键词


无线信号；时频图；语义分割；深度学习；频谱感知

全文:

PDF


参考


[1]Long, J., Shelhamer, E., & Darrell, T. (2015).

Fully convolutional networks for semantic segmentation.

Proceedings of the IEEE Conference on Computer Vision

and Pattern Recognition (CVPR).

[2]Ronneberger, O., Fischer, P., & Brox, T. (2015).

U-net: Convolutional networks for biomedical image

segmentation. International Conference on Medical Image

Computing and Computer-Assisted Intervention (MICCAI).

[3]Xie, E., Wang, W., Yu, Z., Anandkumar, A., Alvarez,

J. M., & Luo, P. (2021). SegFormer: Simple and efficient

design for semantic segmentation with transformers. Advances

in Neural Information Processing Systems (NeurIPS).

[4]Chen, L. C., Papandreou, G., Schroff, F., & Adam,

H. (2017). Rethinking atrous convolution for semantic image

segmentation. arXiv preprint arXiv:1706.05587.

[5]Dosovitskiy, A., et al. (2020). An image is worth

16x16 words: Transformers for image recognition at scale.

arXiv preprint arXiv:2010.11929.

[6]Howard, A., et al. (2019). Searching for mobilenetv3.

Proceedings of the IEEE International Conference on

Computer Vision (ICCV).


Refbacks

  • 当前没有refback。