全球无人驾驶格局及技术方案比较 多传感器融合的基本原理和算法 基于多传感器前融合的L4技术方案解析 Roadstar.ai如何加速落地和商业化

物联网感知层技术（传感器和网络技术）.pptx

针对大规模 MIMO系统信道估计精度低及反馈方案较为复杂的问题，在差分信道估计及反馈方案上提出了一种基于系数相关性的压缩采样匹配追踪（BCC-CoSAMP）算法。该算法将CoSAMP算法中衡量两个向量之间关系的内积替换为基于相关系数的向量关系判定，从而较快地选出与原始信号相关性强的原子，达到提高信道估计精度的目的。仿真结果表明，与CoSAMP算法相比，所提出的BCC-CoSAMP算法在低信噪比情况下，信道估计精度平均有5 dB的提高，同时能平均提高系统总速率1.25 bit/(s.Hz)。

大规模MIMO系统中基于压缩感知的稀疏信道估计

压缩感知的阈值收缩算法 IST, 快速且重构性良好

Matlab的无花果生成代码贝叶斯压缩感知 这套Matlab（7.0）函数包含用于重现以下两篇论文的一些结果的核心代码： ，史浩（Shihao Ji），亚雪（Ya Xue）和劳伦斯·卡林（Lawrence Carin），IEEE Trans。 信号处理，第一卷56号2008年6月6日。 ，史浩（Shihao Ji），戴维·邓森（David Dunson）和劳伦斯·卡林（Lawrence Carin），IEEE Trans。 信号处理，第一卷57号1，第92-106页，2009年1月。 BCS演示 图2.m->生成图2 实施BP需要l1-magic的以下两个Matlab文件： l1qc_logbarrier.m l1qc_newton.m 可以在以下位置找到： Fig4_ab.m->生成图4（a，b） multi_random_measures.m ---->为图4a生成“随机”曲线 multi_optimized_measures.m ---->生成图4a的“ Optimized”曲线 multi_approx_measures.m ---->生成“大约”。 图4a的曲线 MT-CS演

绿盟态势感知.pdf

双目立体视觉在无人机上的应用

物联网的全面感知产生了海量的感知数据,并且感知数据呈现为显著的多源异构性.因此,如何实现海量多源异构感知数据的智能处理是一个具有挑战性的课题.数据融合是处理多模态数据并挖掘提取有价值信息的有效手段,但针对多源异构数据,特别是非结构化的视频多媒体信息,如何实现高效的融合计算还面临许多问题需要解决.本文针对物联网多源异构感知信息的处理问题,提出多层次的多源异构数据融合方法,并以基于无线信号、视频和深度感知数据的目标定位跟踪应用为切入点,重点研究多源异构数据的处理、特征表示和数据融合方法.根据不同类型数据的特性采用不同的数据融合方法,通过挖掘无线信号、视频和深度等多源异构数据内在的关联性,实现多源异构数据有价值信息的有效利用.实际复杂场景的实验表明,本文提出的基于多源异构数据融合的目标跟踪和定位方法,能够解决传统依赖单源同质数据的目标跟踪方法所面临的光照变化和遮挡交错等难点问题,并且可以获得较为准确的运动目标三维位置,具有良好的跟踪定位效果.

ESRGAN：增强的超分辨率生成对抗网络 用于图像超分辨率的Pipeine任务基于经常引用的论文（Wang Xintao等人），于2018年发布。 简而言之，图像超分辨率（SR）技术可从观察到的较低分辨率（LR）图像重建高分辨率（HR）图像或序列，例如将720p图像放大为1080p。 解决此任务的常用方法之一是使用能够从LR图像中恢复HR图像的深度卷积神经网络。 而ESRGAN（增强型SRGAN）就是其中之一。 ESRGAN的要点： 基于SRResNet的架构，带有残存残存块； 上下文，感性和对抗性损失的混合体。 使用上下文损失和感知损失来进行适当的图像放大，而对抗损失则使用鉴别器网络将神经网络推向自然图像流形，该鉴别器网络经过训练以区分超分辨图像和原始照片级逼真的图像。 技术领域 作为深度学习任务的管道运行者的Catalyst 。 这个新的，发展Swift的。 可以大大减少样板代