摘要：针对现有目标检测模型在实际运用中会受到各种噪声的影响而导致性能退化的问题,提出一种双支路注意力特征融合(double branch attention feature fusion,DBAFF)的方法。基于CenterNet的结构设计,引入卷积稀疏编码(convolutional sparse coding,CSC)去噪模块。通过双支路互补学习,自适应选择不同模态的有效信息,使融合特征达到最优化,有效解决该类模型的退化问题。实验结果表明,该方法在噪声数据集VOC-Nosiy上mAP50、mAP75、mAP性能分别达到了57.9%、29.8%、24.5%,检测速度FPS达到111帧,综合性能优于原网络和仅添加卷积稀疏编码的去噪网络。

摘要：随着科技发展,智能家居的不断出现,人们对家庭生活便利性需求也逐渐提高。通常人们在家中常苦于寻找失踪的钥匙、银行卡、钱包等细小物件,是否有方法能够快速定位从而找到贵重物品是掉落在哪个不起眼的小角落,那么如何让不说话的物体也能在家中"发声"成为了本篇文章探索与思考的方向。为满足市场化需求,通过电子条形码与RFID标签技术相结合,引入EPC编码系统实现多元化数据量存储,采用RFID无源标签与家居物件进行粘贴捆绑,操作简单且无需过多后续打理,在RFID阅读器部分,可以引入程序将信息传递至用户应用设备,让用户通过手机等移动设备实现物体数据显示及定位信息查询,轻松了解所需物品对应的所处位置,从而减少家庭物品遗失的困扰。文章针对智能家居物品定位的设计思路开展研究讨论,对智能家居创新提出新方案研究,主要对RFID技术定位的功能、阅读器技术及引入EPC编码系统应用进行说明。

摘要：为了解决物联网环境下设备众多且终端资源有限带来的安全问题,提出了一种基于轻量级全维动态卷积神经网络(LR-ODCNN)的物联网设备射频指纹信号识别方法。首先,设计了LR-ODCNN模型;然后,利用光传输系统采集设备的基带信号,从基带信号中提取I、Q信号作为网络的输入;最后,LR-ODCNN模型根据多维注意力机制来适应不同设备的信号特征,并进行信号特征的提取和识别。实验结果表明,当传输距离为10 m、400 m、1.7 km和8.6 km时,LR-ODCNN模型的平均识别准确率为94.35%,比Mc AFF模型、Oracle模型分别提高了5.35%、10.13%,且具有鲁棒性强、轻量化的优点。