精华内容
下载资源
问答
  • 衰落信道下频域均衡算法与最大似然检测算法比较,薛春美,,本文介绍了时域均衡中的最大似然序列检测的基本原理,及频域均衡的基本原理,在ITU urban macro信道下,用这两种均衡算法进行均衡,其
  • 最大似然检测ML SM.rar

    2020-07-19 21:54:19
    此文件为无线通信系统,mimo通信中空间调制和广义空间调制利用最大似然检测算法bit error rate仿真结果
  • 基于Zernike矩和最大似然水印检测的感知音频哈希算法
  • MLD信号检测算法

    2013-04-01 14:46:57
    MIMO系统的最大似然检测算法的MATLAB程序代码
  • 针对V-BLAST系统,提出了一种低复杂度的空间交替广义最大似然(SAGL)列表检测算法。该算法的子检测器由简化最大似然(SML)检测器和连续干扰抵消(SIC)检测器组成。传统 SIC 算法每次只能对单一符号进行检测,而所...
  • 对MIMO-OFDM系统中的信道估计进行研究,提出了一种对最大似然(ML)算法的改进。该算法首先采用ML算法获得初始估计值,然后联合检测进行迭代信道估计,充分利用了接收端联合数据检测得到的数据信号信息与信道估计进行...
  • 应用于大规模多输入多输出系统的空间调制系统是一种新颖的5G传输方案。针对空间调制提出了一种复杂度较低的检测...该算法具有近似最优的误比特性能和更低的计算复杂度,与最大似然检测算法相比复杂度减少了80%左右。
  • 利用基于排序数据变率(ODV)的删除算法对杂波单元进行自适应删除,然后使用其余参考单元采样基于最大似然法来估计杂波分布的参数,并形成检测器的检测门限。仿真结果表明:在均匀杂波下,ACML-CFAR略好于ML-CFAR,表明了...
  • WSN中的故障节点导致网络的数据传递延迟与能耗增加,同时可引起网络拥塞等问题,对此提出一种基于最大似然估计与朴素贝叶斯分析器的WSN故障节点诊断与定位算法。首先,从数据包的协议部分提取大量特征作为训练数据集...
  • 为了去除拼接干涉检测中支撑对面形检测的影响,提出了利用最大似然估计法计算支撑造成的面形误差的方法。首先,保持支撑工装不动,旋转待测镜检测各子孔径面形;然后,用最大似然估计法计算出支撑造成的面形误差;...
  • 在已知的多输入多输出(MIMO)及正交频分复用(OFDM)系统的信号检测算法中,球型译码检测算法的译码性能十分接近于性能最优的最大似然检测算法,并且其译码复杂度有很大的降低,但其会受到译码半径的影响。普通的球型...
  • 针对深空慢速运动目标(目标在焦面的运动速度小于1 pixel/frame)提出了一种最大似然条痕检测算法,能够在较低信噪比情况下实现有效的慢速目标检测。算法将目标脉冲形状信息引入信号模型中,是最大值投影算法的改进形式...
  • 改进算法在检测过程中引入排序机制的排序串行干扰抵消算法,优先估计可靠性高的检测分量,结合最大似然检测算法修正可靠性低的分量。结果表明:改进后的检测算法复杂度提升不大,在误码率一定时,信噪比相比与原算法提高...
  • 文章提出一种新颖的在训练过程中随着模型参数变化而自适应标签分配算法——probabilistic anchor assignment (PAA),PAA将标签分配问题转化成了最大似然估计问题,即求一个使得评估标准下的预测框得分最大模型参数,...


    paper:https://arxiv.org/abs/2007.08103

    code:https://github.com/kkhoot/PAA

    摘要

    又一篇anchor匹配策略的文章,不过确实是简单有效,在ATSS上只需要很小的修改就可以提升性能。GFL2在框的预测上用上了概率分布,这里又在anchor匹配上用上了概率分布。

    在本文中,我们提出了一种新的anchor分配策略,该策略根据模型的学习状态自适应地为每个gt将anchor分为正样本和负样本,从而能够以概率的方式推理区分。 我们首先计算anchor在当前模型条件下的得分,然后用这些得分拟合一个概率分布出来,然后利用这个概率分布来区分正负样本,然后模型再用这些正负样本进行训练。然后,我们研究了训练和推理之间的gap,提出了用预测IoU的方式来衡量localization质量。我们把定位质量得分和分类得分结合起来用到NMS中来进行anchor的分配。这个方法只需要增加一个卷积层,而且每个位置不需要多个anchor,所以非常的高效。

    1. Introduction

    最初的基于固定IoU阈值给anchor分配标签的方法有一个较大限制,即忽略了gt box和anchor的交集中的内容可能包含大量的噪音背景、附近物体或者只包含target 物体的一小部分。针对这一问题,有很多分配策略做出了改进,如ATSS、FreeAnchor等,本文则是对已有的基于anchor和gt的IoU的正负样本的分配规则进行了扩展,考虑到了模型的当前的状态信息,这样的话,正样本的分配是和模型有关的,当没有一个anchor和gt有较高的IoU的时候,需要把一些anchors分配为正样本,来降低由于anchor设计的不合理造成的影响。在这种情况下,模型认为的最优的anchor(不一定是最高IoU,而是有更多于gt有关线索的anchor)可以作为正样本。另外,当有太多的anchors模型都认为质量很高的时候,这些anchor都可以认为是正样本。因此,最重要的是,为了满足这些条件,anchor的质量评估需要可以反映出模型当前的学习状态,也就是其参数值。

    基于这个动机,我们提出了probabilistic anchor assignment(PAA)策略,根据模型的学习状态自适应的将所有的anchor分配成正负样本。How?首先,我们定义一个得分,可以反映出检测框分类和定位的质量,然后,我们确定该分数与训练目标之间的联系,并将分数表示为两个损失目标的组合。基于这种评分方法,我们为每个anchor都进行打分,得到模型认为的这个anchor是否对于检测目标物体非常有用的评价。基于这些anchor得分,我们可以得到两种形式的概率分布,可以最好的表示出模型是正样本或者是负样本的概率。

    在这里插入图片描述

    如图1,然后,在找到的概率分布下,选择那些正样本概率高的作为正样本。这样的话,就把anchor分配的问题变成了最大似然估计问题。基于这种假设,模型计算出来的得分是从这个概率分布中采样出来的,我们期望模型可以从概率的角度去infer具有可分性的样本,让训练变得更加容易。另外,由于正样本是从anchor得分的概率分布中选择出来的,因此,不需要预先设置正样本的数量和IoU的阈值。

    基于此评分方案,我们计算各个锚点的分数,这些分数反映了模型如何找到有用的线索来检测每个锚点中的目标对象。 借助这些锚定分数,我们旨在找到两种方式的概率分布,它们最能代表分数的正样本或负样本,如图1所示。

    此外,我们发现在大多数检测器在训练(最小化分类和定位loss)和测试(NMS时只根据分类得分选择anchor )的时候存在不一致(inconsistency)的情况。理想情况下,检测框的质量应该是由分类和定位一起决定的,为了解决这个问题,我们提出了预测IoU的值来作为定位质量,然后将这个IoU的预测值乘上分类得分的值作为排序指标。如图2:

    在这里插入图片描述

    我们的模型仅需要添加单个卷积层,并且每个空间位置都使用单个anchor,类似于ATSS,与RetinaNet相比,参数数量更少。anchor分配时可以使用GPU进行并行化,并且测试时不需要额外的计算。 所有这些证据证明了我们提出的方法的有效性。

    本文的主要工作概括如下:

    1、提出了一种新的anchor框的分配策略,计算模型得分的概率分布,用最大似然来估计这个概率分布,自适应的选取正负样本。

    2、为了对齐anchor分配,优化和后处理过程,提出对IoU进行预测,同时使用分类和定位得分一起来对检测框进行排序来做NMS,最后,我们提出了一种得分投票后处理方法来进一步提升performance。

    3、进行了消融实验,进一步验证了我们方法的有效性。

    2. Related Wordks

    3. Proposed Methods

    3.1 Probabilistic Anchor Assignment Algorithm

    我们设计的anchor分配策略考虑了三个因素:

    首先,以模型能够通过该anchor找到gt的可能性来衡量anchor的质量。

    其次,将anchor划分为正负样本应该是自适应的,而不需要IoU阈值这样的超参数。

    最后,分配策略应该被构建成一个概率分布的最大似然,使得模型能够以概率的方式推理分配。在这方面,我们设计了一个anchor score机制,并提出了一个将score机制考虑在内的anchor分配策略。

    具体而言,我们定义一个anchor的得分要能够反映它预测的离他最近的gt的边框的质量。一个直观的想法是计算分类得分和定位得分,然后将它们相乘:

    S(fθ(a,x),g)=Scls(fθ(a,x),g)×Sloc(fθ(a,x),g)λS(f_θ(a, x), g) = S_{cls}(f_θ(a, x), g) × S_{loc}(f_θ(a, x), g)^λ, (1)

    其中Scls,Sloc,λS_{cls}, S_{loc},\lambda分别是anchor aa 相对gt G的分类得分、定位得分和控制两个得分权重的标量。xx是输入图片,fθf_\theta是参数为θ\theta的模型,这个打分函数依赖于参数θ\thetaSclsS_{cls}可以通过classification head输出得到,但是如何定义SlocS_{loc}不太明显,因为localization head的输出是编码后的offset而不是score,所以我们使用预测框和gt 框的IoU作为SlocS_{loc}的得分,

    Sloc(fθ(a,x),g)=IoU(fθ(a,x),g)S_{loc}(f_θ(a, x), g) = IoU(f_θ(a, x), g) ,(2)

    对这个质量得分取负log,我们可以得到:

    在这里插入图片描述

    其中,Lcls,LIoUL_{cls},L_{IoU}分别表示binary cross entropy loss3 和 IoU loss ,当然也可使用Focal Loss 或 GIoU Loss 替换。为了让模型可以从概率的方法分配这个anchor到底是正样本还是负样本,我们把anchor对于给定GT的质量得分看成是从一个分布中采样得到的,然后用最大似然的方法来估计这个分布的参数,然后,通过这个概率分布来将anchor分配为正负样本。由于我们的目的是将anchor分为两组,正样本和负样本,任意可以建模这个多峰分布的概率分布都可以满足,这里我们选择了GMM(高斯混合模型),用两个高斯分布来建模这个anchor的得分分布。

    在这里插入图片描述

    w1, m1, p1 和 w2, m2, p2 分别表示两个高斯分布的权重,均值和精度。给定一组anchor得分,这个GMM的就可以使用Expectation-Maximization(EM)算法来实现。使用EM算法来估计得到这个概率分布的参数后,就可以得到每个anchor属于正负样本的概率。得到概率后,有各种技术来将anchor划分为正负样本两组,图3展示了基于不同anchor概率边界来划分的不同方式。
    在这里插入图片描述

    我们提出的算法使用了其中的一种,算法流程如下Procedure1所示,为了计算anchor得分,anchors首先被分配给最高IoU的GT(line 3).为了使得EM有效,我们从每个金字塔层选择top k的anchors(line 5-11)并执行EM(line 12)。非top k的anchors则被分配为负样本(line 16)。

    在这里插入图片描述

    正样本数量是根据这个模型输出的概率分布(随着参数变化而变化)自适应的决定的,这个是和其他不利用模型状态的分配方法的最大的区别。

    总结一下我们这个方法,并将其嵌入到训练过程和目标函数中,得到关于输入图片x的最终训练目标如下(为了简洁省略了x):

    在这里插入图片描述

    其中 Ppos(a,θ,g)Ppos(a,θ,g)P_{pos}(a, θ, g),P_{pos}(a, θ, g)分别表示一个anchor是正样本和负样本的概率,可以通过我们的PAA获取。∅表示背景类,我们的PAA算法可以被视为一个计算Ppos,PnegP_{pos},P_{neg}并将它们近似为二进制值(即将anchor定为两组)来简化优化的过程。在每个train iter中, 每当估计Ppos,PnegP_{pos},P_{neg}后,损失函数相对于参数θ\theta的参数就可以计算得到,然后通过随机梯度下降更新。

    3.2 IoU Prediction as Localization Quality

    我们提出的标签分配中的anchor评分函数起源于训练目标(即两个任务的综合损失),因此anchor分配过程与损失优化非常一致。 但是测试时却仅对分类分数执行非最大抑制(NMS),这就效果较差。 为了解决这个问题,可以预测一个定位质量得分并将之整合进NMS过程,使得NMS过程可以使用相同的评分函数(等式1)。 但是,GT信息仅在训练期间可用,因此无法在测试时计算预测的box与其对应的GT box之间的IoU,于是我们提出一个简单解决方案,即增加一个的卷积层作为额外的预测头来预测每个预测框和GT的IoU值,学习它的target很容易得到。在输出上使用Sigmoid激活函数来获取一个有效的IoU值,然后训练目标就变成(为了简洁省略x):

    在这里插入图片描述

    其中的LIoUPL_{IoU P}就是IoU预测的损失,它的定义为预测的IoUs和真实IoUs的二值交叉熵。有了这个预测的IoU就能够使用等式1来计算一个统一的边框质量评分,然后用此作为NMS阶段排序的依据。实验表面,增加IoU预测带来了显著的提高,尤其是加上我们提出的PAA策略。整体的网络架构就是RetinaNet上修改了特征塔并且增加了一个额外的预测头,这与FCOS和ATSS一样。

    请注意,此结构在每个空间位置仅使用一个anchor,因此与使用九个anchor的RetinaNet-based的模型相比,其参数和FLOP数量较少。

    3.3 Score Voting

    作为额外改进,我们提出了一个简单有效的后处理方案,该score voting方法作用于NMS后的每个边框b上,如下所示:

    在这里插入图片描述

    其中b^,siσt\hat{b},s_i和\sigma_t分别是更新后的边框,等式1计算得到的得分,以及用于调整邻近边框bib_i的参数,其中Pi的定义受Multiple anchor learning for visual object detection这篇文章中的variance voting(方差投票)启发,但是,我们不使用方差预测来计算每个相邻框的权重。 取而代之的是,我们使用统一的分类评分和本地化权重以及pip_i

    我们发现使用只使用pip_i作为box的权重可以提高性能,将其乘以sis_i将进一步提高性能。 与variance voting(方差投票)相反,没有方差预测的检测器仅通过对pi加权即可使用得分投票。 像我们一样,具有IoU预测头的检测器可以将其乘以更高的精度。 与仅分类分类不同,sis_i充当可靠的权重,因为它不会为具有较高分类分数和较差的定位质量的框分配较大的权重。

    4 .Experiments

    表1中左边是不同的正负样本划分方法的比较,右边是该算法中每个部件的消融实验 。

    在这里插入图片描述

    表2中左边是不同自适应标签分配方法的比较,右边是使用不同骨干网的对比。

    在这里插入图片描述

    图4。训练时标签分配的进化(a),iter过程中每个gt的正样本数量的点图(b)。

    在这里插入图片描述

    表3,和其它的SOTA算法比较

    在这里插入图片描述

    5.Conclusions

    文章提出一种新颖的在训练过程中随着模型参数变化而自适应标签分配算法——probabilistic anchor assignment (PAA),PAA将标签分配问题转化成了最大似然估计问题,即求一个使得评估标准下的预测框得分最大模型参数,在这个优化的过程中,随着参数的变化,标签分配也会变化。而且PAA算法该算法在标签分配、优化时的损失函数计算以及测试时的NMS后处理中对于边框质量都采用了一个统一的评估标准(为此加了一个只有一个卷积层的head分支用于预测每个预测框和对应GT的IoU),即同时评估了分类得分和IoU得分,这种一致的评估方式使得模型精度提高不少。最后,在后处理阶段,文章还提出了一个score voting的部分来进一步提高精度,但是提升不大。

    这里模型增加一个IoU预测来预测于GT的IoU的思路还是比较有启发的,此外这种转成最大似然估计问题的思路也很棒。

    展开全文
  • 再利用最大似然法对目标和背景分类探测进行处理,从而获得目标模式识别的最大似然概率;将信杂比计算引入红外目标探测中,推导出了高、中、低信杂比下的目标探测、分类和识别预测方法,解决了红外目标探测过程中与信杂比...
  • V-BLAST系统检测算法性能仿真 最大似然 ZF MMSE ZF-SIC MMSE-SIC
  • 针对再入遥测环境下中信号相位容易受噪声影响,导致传统MSD过程中最大似然值被误判的问题,研究一种改进的多符号检测算法:每次MSD运算较前一次MSD运算有N-2个码元的重叠,即每次滑动两个码元长度的码元滑动策略。...
  • V-BLAST简化检测算法的研究,汤淇捷,,基于空时编码理论的研究,本文首先简要的阐述了V-BLAST系统线性译码算法(ZF,MMSE)和串行干扰删除算法(ZF-SIC,MMSE-SIC)以及最大似然算法(ML)��
  • 基于最大似然(ML)准则的GSSK检测器有最优的检测性能,但计算复杂度太高。为了在性能和复杂度之间取得更好的折中,改进了一种基于压缩感知(CS)的GSSK检测算法。仿真结果表明,该算法的检测性能接近于ML算法,且复杂度...
  • 针对信号空间分集系统中最大似然检测算法复杂度高的问题,选用球形译码算法作为信号空间分集系统接收机检测算法,可以使接收机在接近最大似然算法检测性能的同时,降低接收机检测复杂度。为进一步降低检测复杂度,...
  • 针对广义空间调制(GSM)系统中信号检测复杂度过高的问题...分析和仿真结果表明,该检测算法可以有效缩小接收端的搜索空间,从而大大降低检测复杂度,并且能够提供与最大似然(ML)检测算法相近的误比特率(BER)性能。
  • 提出一种多入多出(MIMO)系统空间复用模式下的低复杂度序列高斯逼近...仿真结果表明,LC-SGA算法在相同搜索路径数的情况下,其误比特率(BER)性能与传统的SGA算法相当,且当搜索路径数较大时接近最大似然检测的性能。
  • 给出了一种结合格点减少的MMSE-SIC检测算法,通过在格点减少的基础上引入最小圴方误差(MMSE)准则以及连续干扰抵消(SIC)的思想,能够仅以多项式的复杂度接近最优检测算法最大似然,ML)的性能,并且可以通过...
  • 为了降低MIMO系统联合检测算法的计算复杂度并保证系统性能,在球形译码算法的搜索中引入软信息构成改进的FP-MAP算法。该算法在计算信息符号的最大似然解时利用了其软先验信息,并在迭代过程中用以获得软外信息。分析...
  • 大规模MIMO(multiple-input...对比仿真实验结果表明,本算法的检测性能优于部分传统算法以及其他新颖的MIMO检测算法,在获得与最大似然估计检测法接近的误码率性能下,具有极快的计算速度,适用于海量规模的MIMO系统。
  • 一种新型半定松弛的多符号相移键控(MPSK)差分检测算法,李强,,最大似然多符号差分检测算法中,接收端可以在不需要信道反馈信息的情况下获得良好的检测性能。随着观察窗口增加,系统的复杂度也
  • 针对最大似然译码(ML)算法复杂度较高的问题,引入排序块最小均方误差(OB-MMSE)信号检测方法,利用平衡因子在综合考虑误码性能和复杂度的情况下,对OB-MMSE算法进行改进,并依据GOSM信号的特点对其权值进行修正;...
  • 论文仅供学习和参考。 提出了一种新的基于条件随机场 (CRF) 的显著性融合算法。...通过 CRF 学习计算各个显著度的权重,采用最大似然估计方法获取模型参数估计,得到最优解。最后利用 CRF 检测测试图像。
  • 1. 最大似然检测算法 在有记忆信号的网格图上搜索具有最小欧式距离的路径 1.1 NRZI的最大似然检测 两个可能的发送信号点: 匹配滤波器在第kkk个间隔的输出: 两个发送信号的条件PDF: 假设输出序列时r1,r2,…,rkr_...

    1. 最大似然检测算法

    在有记忆信号的网格图上搜索具有最小欧式距离的路径

    1.1 NRZI的最大似然检测

    两个可能的发送信号点:
    在这里插入图片描述
    匹配滤波器在第kk个间隔的输出:
    在这里插入图片描述
    两个发送信号的条件PDF:
    在这里插入图片描述
    假设输出序列时r1,r2,,rkr_1,r_2,\dots,r_k,则输出序列的条件PDF是连乘积的形式:
    在这里插入图片描述
    最大似然检测序列,sms^m是一种序列,这样的序列有2K2^K个,找出一个最优的序列:
    在这里插入图片描述

    1.2 维特比算法

    由于这样的序列有2K2^K个,穷举法找出最优的序列复杂度过高,因此采用维特比算法
    稳态后,每个节点都对应一个英寸路径
    在这里插入图片描述
    判决要在5L5L之后进行:
    在这里插入图片描述

    2. CPM信号的最佳接收机

    CPM(有记忆信号):连续相位调制,由于要达到连续相位的目的,相位不仅与当前时刻有关,还与之前所有时刻有关
    表达式如下:
    在这里插入图片描述

    2.1 建立CPM的状态网格结构

    CPM相位表达式:
    在这里插入图片描述
    式中:
    在这里插入图片描述
    可以看作是一个平移的过程,只有nLn-L项是取满了12\frac{1}{2}的,剩下的LL项是未满12\frac{1}{2}的。因为只看每个信号间隔终了时的载波相位的取值,比如,当nTt(n+1)TnT\leq t\leq(n+1)T时,此时第InI_n还没有输入,因此涉及该项的数值赋为0。

    状态跳转
    在这里插入图片描述
    SnS_nInL+1I_{n-L+1}归并到Sn+1S_{n+1}Θn+1\Theta_{n+1}中,新来了InI_n,又凑够了L1L-1个符号
    例题:
    在这里插入图片描述

    2.2 利用Viterbi度量进行计算

    由于一个节点可以又新引出MM个路径,附加增量导致,结合前面:
    在这里插入图片描述
    可以得出:
    在这里插入图片描述
    在这里插入图片描述

    2.3 CPM差错率

    在这里插入图片描述
    增大hh和增加多个幅度可以提高CPM的性能

    再生中继器和模拟中继器

    在这里插入图片描述

    展开全文
  • 基于贝叶斯准则的信号检测,基于最小平均错误概率的信号检测,基于最大后验概率的信号检测,基于极小化极大准则下的信号检测,基于奈曼-皮尔逊准则的信号检测,基于最大似然准则的多元的信号检测,基于经典贝叶斯准...

空空如也

空空如也

1 2 3 4 5 6
收藏数 103
精华内容 41
关键字:

最大似然检测算法