Learning Spectral Structures: Efficient Segmentation via Hierarchical Kernel Attention

Mai, Ngoc-Hoang

doi:10.1109/lwc.2026.3706092

Learning Spectral Structures: Efficient Segmentation via Hierarchical Kernel Attention

2026-01-01

0

PRE

AI

Daniel Benevides da Costa

DOI：10.1109/lwc.2026.3706092

原文链接

原文求助

摘要

En 中文

下一代无线网络对高效频谱利用的日益增长的需求，需要先进的感知方法来准确表征复杂的频谱环境。为满足这一需求，本文介绍了HKANet，一种用于频谱图分割的新型编解码器架构。其核心创新集中在一个双组件设计：一个形态感知特征提取器，用于辨别多样化的信号形状，以及一个统计注意力块，利用高阶统计量进行鲁棒特征重校准。在包含第五代新空口、长期演进和雷达信号（具有不同带宽和调制类型）的多样化合成数据集上的大量仿真表明，HKANet实现了最先进的性能，优于主流模型，平均像素精度为98.49%，平均交并比为97.10%，平均F1得分为98.45%。凭借仅4.76M参数的轻量化设计和22.1 ms的竞争性推理延迟，HKANet为未来无线通信系统中的智能频谱感知提供了有效解决方案。

Keyword:

Modeling

Noise

Kernel

Radar

Spectrogram

Timing

5G mobile communication

Frequency

Long Term Evolution

Architecture

5G NR

attention mechanism

deep learning

parameter efficiency spectrogram segmentation

spectrum sensing

Learning Spectral Structures: Efficient Segmentation via Hierarchical Kernel Attention

摘要

期刊

机构

引用论文