DeepMTL Pro：基于深度学习的多发射机定位与功率估计
摘要
本文中，我们解决多发射机定位（MTL）问题。MTL 是基于一组分布式传感器的读数来确定场中潜在多个发射机的位置。与被广泛研究的单发射机定位问题相比，MTL 问题仅在近期少数工作中被研究。MTL 在许多可能存在入侵者的应用中具有重要意义。例如，在共享频谱系统中，检测未授权发射机并估计其功率对于共享频谱的高效利用至关重要。本文中，我们提出 DeepMTL，一种解决 MTL 问题的新型深度学习方法。具体而言，我们将 MTL 构建为两个顺序步骤，每步均为计算机视觉问题：图像到图像翻译与目标检测。图像到图像翻译的第一步本质上将表示传感器读数的输入图像映射为表示发射机位置分布的图像，而第二步目标检测从发射机分布图像中推导出发射机的精确位置。对于第一步，我们设计学习模型 Sen2Peak，而对于第二步，我们定制最先进的目标检测模型 YOLO-cust。以 DeepMTL 为构建模块，我们还开发了估计已定位发射机发射功率的技术。我们通过大规模广泛仿真展示了方法的有效性，并表明我们的方法在定位误差、漏检率和虚警率等性能指标上显著优于先前方法（达 50% 或更多）。我们的方法还带来极小的延迟。我们在小规模区域上使用真实测试台数据评估了技术，测试台结果与仿真结果一致。
引用
@article{arxiv.2112.13181,
title = {DeepMTL Pro: Deep Learning Based MultipleTransmitter Localization and Power Estimation},
author = {Caitao Zhan and Mohammad Ghaderibaneh and Pranjal Sahu and Himanshu Gupta},
journal= {arXiv preprint arXiv:2112.13181},
year = {2022}
}
备注
38 pages, 27 figures. This is the final revision verison of a journal paper submitted to Pervasive and Mobile Computing (PMC). This is an extension of an accepted paper at IEEE International Symposium on a World of Wireless, Mobile and Multimedia Networks (WoWMoM 2021)