纵观数据网络技术的发展──从分组交换到帧中继和异步转移模式

随着数据通信的不断发展，用户及电信业越来越需要标准化的协议和技术。本文就数据网环境的发展，Ｘ．２５和帧中继的市场趋向及宽带技术等几方面进行了探析。     

纵观数据网络技术的发展

随着数据通信的不断发展用户及电信业越来越需要标准化的协议和技术。本文就数据网环境的发展，Ｘ．２５和帧中为的市场趋向及宽带技术等几方面了探析。     

基于信令控制层的IMS网络演进——探讨如何从信令层控制点以符合逻辑的方式演进网络

随着电话语音业务价格的不断走低，网络运营商逐渐将目光投向那些用户愿意支付更高的费用、能够产生更高价值的业务。目前，我们已经有了能够将语音业务和实时视频分享、呈现服务及即时消息等业务融合为一体的网络设备，为运营商带来了新的创收机会。     

多尺度局部特征增强Transformer道路裂缝检测模型

目的 道路裂缝是路面病害的早期征兆。定期监测路面状况、及时准确地发现路面裂缝对于交通养护机构降低成本、保证路面结构的可靠性和耐久性以及提高驾驶安全性、舒适性有重要意义。目前基于卷积神经网络的深度学习模型在长距离依赖建模方面存在不足,模型精度难以满足真实路面环境下的裂缝检测任务。一些模型通过引入空间/通道注意力机制进行长距离依赖建模,但是会导致计算量和计算复杂程度增加,无法实现实时检测。鉴于此,本文提出一种基于Transformer编码—解码结构的深度神经网络道路裂缝检测模型CTNet(crack transformer network)。方法 该模型主要由Transformer注意力模块、多尺度局部特征增强模块、上采样模块和跨越连接4部分构成。采用Transformer注意力机制能更有效提取全局和长距离依赖关系,克服传统卷积神经网络表征输入信息的短距离相关缺陷。同时,为适应裂缝尺寸变化多样性,将Transformer与多尺度局部特征增强模块相结合,从而有效整合不同尺度局部信息,克服Transformer局部特征建模不足。结果 通过与DeepCrack模型在不同裂缝检测数据集中的比较表明...     

利用张量投票的机载LiDAR点云道路骨架线提取

针对机载LiDAR数据中道路骨架线检测存在的噪声干扰问题,结合道路多层特征显著性,提出了一种基于道路最大宽度快速确定最小尺度因子的张量投票道路骨架线提取方法。将预处理后三维道路点云转化成二维强度图像,最小尺度因子参与图像球张量投票,利用极性特征分割道路边缘点;为了进一步增强道路线状特征,利用新的最小尺度因子再次进行球张量投票和棒张量投票,填补道路空洞,顺滑道路边界;细化处理获取道路骨架线。与数学形态学方法相比,该方法在噪声背景的道路数据中提取的道路线精度更高。     

基于信令控制层的IMS网络演进探讨如何从信令层控制点以符合逻辑的方式演进网络

概述 随着电话语音业务价格的不断走低,网络运营商逐渐将目光投向那些用户愿意支付更高的费用、能够产生更高价值的业务.目前,我们已经有了能够将语音业务和实时视频分享、呈现服务及即时消息等业务融合为一体的网络设备,为运营商带来了新的创收机会.     

基于深度学习的点云语义分割研究综述

近年来,深度传感器和三维激光扫描仪的普及推动了三维点云处理方法的快速发展。点云语义分割作为理解三维场景的关键步骤,受到了研究者的广泛关注。随着深度学习的迅速发展并广泛应用到三维语义分割领域,点云语义分割效果得到了显著提升。主要对基于深度学习的点云语义分割方法和研究现状进行了详细的综述。将基于深度学习的点云语义分割方法分为间接语义分割方法和直接语义分割方法,根据各方法的研究内容进一步细分,对每类方法中代表性算法进行分析介绍,总结每类方法的基本思想和优缺点,并系统地阐述了深度学习对语义分割领域的贡献。然后,归纳了当前主流的公共数据集和遥感数据集,并在此基础上对比主流点云语义分割方法的实验结果。最后,对语义分割技术未来的发展方向进行了展望。