用于卷积神经网络回归的分布损失及在GNSS多径估计中的应用
计算机视觉与模式识别
2022-06-06 v1 信号处理
摘要
卷积神经网络(CNN)已广泛应用于图像分类。多年来，它们也受益于各种改进，如今被视为处理类图像数据的先进(state of the art)技术。然而，当它们被用于回归以从图像中估计某些函数值时，可用的建议较少。本研究提出了一种新颖的CNN回归模型。它结合卷积神经层从图像中提取高级特征表示与一种软标签技术。更具体地说，由于深度回归任务具有挑战性，其思路是考虑目标值周围分布形式的不确定性。模型以分布的形式进行估计。基于早期工作，训练期间应用了基于Kullback-Leibler(KL)散度的特定直方图损失函数。该模型利用CNN特征表示，并能够从多通道输入图像进行估计。为评估和说明该技术，将模型应用于全球导航卫星系统(GNSS)多径估计，其中必须从I和Q通道的相关器输出图像估计多径信号参数。从合成生成的卫星信号数据集中估计多径信号延迟、幅度、多普勒频移和相位参数。在各种接收条件和各种输入图像分辨率下进行实验，以测试估计性能的quality和鲁棒性。结果表明，所提出的采用分布损失的软标签CNN技术在各种条件下均优于经典CNN回归。此外，模型所实现的额外学习性能使得输入图像分辨率可从80x80降低至40x40，有时甚至20x20。
引用
@article{arxiv.2206.01473,
title = {Distributional loss for convolutional neural network regression and application to GNSS multi-path estimation},
author = {Thomas Gonzalez and Antoine Blais and Nicolas Couëllan and Christian Ruiz},
journal= {arXiv preprint arXiv:2206.01473},
year = {2022}
}