.png){kind=icon}
返回
Towards Autonomous Optical Camera Communications: Light Source Localisation Using Deep Learning
.png){kind=icon}
OA
AI
DOI：10.3390/electronics15050935.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究通过利用深度学习进行光源调制滤波、反射滤波和精确光源定位，显著提高了光学相机通信（OCC）的链路可靠性和鲁棒性。通过在OCC中使用图像传感器作为接收器，不仅实现了数据传输，还促进了其他应用，如物体和人类检测，使OCC在医疗保健、智能交通系统和室内定位等领域极具吸引力。然而，在动态场景（即非平稳应用）中，必须跟踪接收图像帧中所需信号的位置，以维持通信链路。此外，随着第六代（6G）无线网络设想高度自主的系统，这些系统依赖于通信与感知的无缝集成，深度学习对于实现OCC中鲁棒且自适应的光源定位和感知至关重要，这能够在动态环境中实现基于视觉的自主性。值得注意的是，基于深度学习的方法即使在存在多个噪声源、反射、复杂背景以及移动条件的情况下，也能提供更高的精度，而传统的光源检测/跟踪方法在这些情况下是无效的。因此，本研究通过分析不同配置和未见图像下的检测精度，探讨了基于深度学习方法的应用。获得的结果表明，检测性能始终较高，平均精度（在交并比为0.70的阈值下）为0.84至0.97。这些结果为能够智能选择信号并进行解码的自主接收器铺平了道路。
Keyword:
optical camera communications
light source localisation
deep learning
autonomous systems
sensing
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2.6
论文数:
9.9K
被引数:
4.7W
机构
引用论文
Wang, X.; Tang, Z.; Guo, J.; Meng, T.; Wang, C.; Wang, T.; Jia, W. Empowering Edge Intelligence: A Comprehensive Survey on On-Device AI Models. ACM Comput. Surv. 2025, 57, 1–39. [Google Scholar] [CrossRef]王, X.; 汤, Z.; 郭, J.; 孟, T.; 王, C.; 王, T.; 贾, W. 赋能边缘智能:设备端AI模型的全面综述. ACM Comput. Surv. 2025, 57, 1–39. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏Comparative analysis of model compression techniques for achieving carbon efficient AI模型压缩技术实现碳效AI的比较分析
PREAI
分享收藏Constraints and Recent Solutions of Optical Camera Communication for Practical ApplicationsPhotonics
OAAI
PhotonicsIF0
OAAI分享收藏Mobile-phone based visible light communication using region-grow light source tracking for unstable light sourceOPTICS EXPRESSOAAI
OPTICS EXPRESSIF3.3
OAAI分享收藏Wireless Sensor Networks Using Sub-Pixel Optical Camera Communications: Advances in Experimental Channel EvaluationSENSORSOAAI
SENSORSIF3.5
OAAI分享收藏
查看更多内容