TransPathNet：一种用于室内无线电图预测的双阶段框架
信号处理
2025-01-28 v1
摘要
准确的室内路径损耗预测对于优化室内无线通信至关重要，由于多样化的材料和复杂的电磁相互作用，面临着显著的建模挑战。本文引入 TransPathNet，一种新型双阶段深度学习框架，利用基于变换器的特征提取和多尺度卷积注意力解码以生成高精度的室内无线电路径损耗图。TransPathNet 在 ICASSP 2025 年室内路径损耗无线电图预测挑战赛中实现了最先进的性能，在挑战全测试集上实现总体均方根误差 (RMSE) 为 10.397 dB，在挑战 Kaggle 测试集上为 9.73 dB，显示出在不同室内几何形状、频率和天线图案下具有优异的泛化能力。我们的项目页面包括关联代码，网址为 https://lixin.ai/TransPathNet/。
引用
@article{arxiv.2501.16023,
title = {TransPathNet: A Novel Two-Stage Framework for Indoor Radio Map Prediction},
author = {Xin Li and Ran Liu and Saihua Xu and Sirajudeen Gulam Razul and Chau Yuen},
journal= {arXiv preprint arXiv:2501.16023},
year = {2025}
}
备注
Accepted to ICASSP 2025