以前的分散式认知媒体访问控制（DC-MAC）协议允许次要用户（SU）独立搜索频谱访问机会，而无需中央协调员。 DC-MAC假定检测方案在物理（PHY）层是理想的。 实际上，在分布式频谱共享方案中，更复杂的检测算法是不切实际的。 由于PHY层的能量检测（ED）计算和实现复杂度较低，因此已成为最常用的方法。 因此，至关重要的是在PHY层将DC-MAC与ED集成在一起。 但是，ED需要最低采样时间（MST）持续时间才能在低信噪比（SNR）环境中实现目标检测概率。 否则，将无法达到预期的检测性能。 在本文中，我们推导了在低SNR环境中ED的MST的准确表达。 然后，我们提出了一种基于MST的优化DC-MAC（ODC-MAC）协议，该协议对上述带有ED的DC-MAC问题进行了修正。 此外，对于DC-MAC和ODC-MAC都导出了不可靠的数据传输概率的闭式表达式。 我们表明，仿真结果与理论分析吻合良好。 与传统的DC-MAC相比，所提出的ODC-MAC可以提高数据传输的可靠性并提高吞吐量。

DS-UWB通信系统中使用可变长度训练序列的有限反馈自适应检测

提出了一种利用多个图像特征的曝光过度区域检测学习算法。该算法利用像素的亮度和颜色特征以及光的新特征-色度和边界邻域来构造特征向量。 采用L2正则化的一次逻辑回归方法获得最优分类器mod-e1。 实验结果表明，与直接强度阈值法和其他基于亮度和色彩特征的方法相比，该算法在区域连通性方面能更好地检测出过度曝光区域。

google EfficientDet 算法中文版paper.将高效网络骨架与我们提出的BiFPN 和复合尺度相结合，我们开发了一种新的对象检测器家族，称为高效Det，它始终以比以前的对象检测器更少的参数和FLOP 来获得更好的精度。图和图形显示COCO 数据集上的性能比较。在类似的精度约束下，我们的有效DET使用的FLOP 比YOLOv3 少28 倍，FLOP 比RetinaNet 少30倍，FLOP 比最近基于ResNet 的NAS-FPN 少19 倍。特别是，在单模型和单测试时间尺度下，我们的高效Det-D7 实现了最先进的53.7AP 和52M 参数和325B FLOP，在1.5AP的情况下优于以前最好的检测器，而在4 倍小和使用13 倍少的FLOP。我们的高效DET 在GPU/CPU 上也比以前的检测器快4 倍至11 倍。

This paper reports a detection method of two-dimensional (2D) enhancement and three-dimensional (3D) reconstruction for subtle traces with reflectance transformation imaging, which can effectively locate the trace area of interest and extract the normal data of this area directly. In millimeter- and micron-scale traces, during 3D construction, we presented a method of data screening, conversion, and amplification, which can successfully suppress noise, improve surface and edge quality, and enhan

本标准包括用于防盗保护信号系统的入侵检测单元，该入侵检测单元将在室外或普通室内（非危险）场所使用，以通过触发电气控制电路自动指示入侵者的存在。 本标准涵盖的入侵探测器由一个或多个电气组件的单元组件组成，这些组件设计用于检测入侵者的存在，运动，声音或其他活动。 规定通过规定的接线方法连接电源，遥控器和信号电路

TensorFlow实施RFCN 论文可在。 建造 ROI池和MS COCO加载程序需要首先进行编译。 为此，请在项目的根目录中运行make。 如果需要特殊的链接器/编译器选项，则可能需要编辑BoxEngine / ROIPooling / Makefile 。 注意：如果您的系统上有多个python版本，并且要使用与“ python”不同的版本，请在调用make之前提供一个名为PYTHON的环境变量。 例如：PYTHON = python3 make 尝试加载.so文件时，可能会遇到未定义的符号问题。 如果您自己构建TensorFlow版本，而Makefile无法自动检测到您的ABI版

Nonlinear optical properties of stimulated Brillouin scattering (SBS) to signal detection in water are analyzed. With the threshold characteristics, SBS only occurs when the high power laser is focused in the SBS cell. When there is an object present in front of the focus, it leads to lower incident intensity and then SBS does not occur. The backward SBS signal depends on the focusing location. The nonlinear optical properties of SBS process in the focusing regime are analyzed theoretically. Wit

行人检测是视频监控中的一个基本问题，近年来已经取得了长足的进步。 然而，由于源训练样本和目标场景中行人样本之间的差异，在某些公共数据集上训练的通用行人检测器的性能在应用于某些特定场景时会明显下降。 另外，在目标场景中手动标记样本也是一项昂贵且费时的工作。 我们提出了一种新颖的转移学习框架，该框架可以自动将通用检测器转移到特定于场景的行人检测器，而无需手动标记目标场景中的训练样本。 在我们的方法中，我们通过对目标场景使用通用检测器来获得初始检测结果，我们将该结果称为目标样本。 我们使用了几种线索来过滤目标模板，从最初的检测结果中我们可以确定它们的标签。 高斯混合模型（GMM）用于获取每个视频帧中的运动区域和一些其他目标样本，这些目标样本无法被通用检测器检测到，因为这些目标样本距离摄像机较远。 目标样本和目标模板之间的相关性以及源样本和目标模板之间的相关性通过稀疏编码进行估算，然后用于计算源样本和目标样本的权重。 显着性检测是在源样本和目标模板之间进行相关性计算以消除非显着区域干扰之前的一项必不可少的工作。 所有这些考虑都是在单个目标函数下制定的，通过对所有这些样本添加基于稀疏编码的权重来