这项工作提出了一种新型的资源分配策略，用于使用主动推断（$ \ textit {ain} $）在认知无线电中进行抗束缚，并采用了认知-UAV作为案例研究。提出了一个主动的广义动态贝叶斯网络（Active-GDBN），以代表共同编码物理信号动力学的外部环境以及频谱中无人机和干扰器之间的动态相互作用。我们将动作和计划作为贝叶斯推论问题进行了策划，可以通过避免在线学习期间（最小化异常）来解决。仿真结果验证了提出的$ \ textit {ain} $方法在最小化异常（最大化奖励）方面的有效性，并通过将其与常规的频率跳跃和Q学习进行比较，具有高收敛速度。
translated by 谷歌翻译
由于深度学习的进步和数据集的增加，自动许可证板识别（ALPR）系统对来自多个区域的牌照（LPS）的表现显着。对深度ALPR系统的评估通常在每个数据集内完成;因此，如果这种结果是泛化能力的可靠指标，则是可疑的。在本文中，我们提出了一种传统分配的与休假 - 单数据集实验设置，以统一地评估12个光学字符识别（OCR）模型的交叉数据集泛化，其在九个公共数据集上应用于LP识别，具有良好的品种在若干方面（例如，获取设置，图像分辨率和LP布局）。我们还介绍了一个用于端到端ALPR的公共数据集，这是第一个包含带有Mercosur LP的车辆的图像和摩托车图像数量最多的图像。实验结果揭示了传统分离协议的局限性，用于评估ALPR上下文中的方法，因为在训练和测试休假时，大多数数据集在大多数数据集中的性能显着下降。
translated by 谷歌翻译