新文推送——基于图像分割的街道交叉口场景视觉辅助信道预测
北京交通大学
高移动性通信/智能交通电波传播研究组
文章概况
文章题目为：“Vision-Aided Channel Prediction Based on Image Segmentation at Street Intersection Scenarios（基于图像分割的街道交叉口场景视觉辅助信道预测）”。
DOI：10.1109/TCCN.2025.3602837
内容介绍
步骤 1：信道测量与环境感知。在典型的动态 V2I 场景下，基站发射矢量信道探测信号，目标车辆搭载接收机实现信道测量，如图2所示。同时，基站安装的广角 RGB 相机采集周围环境视频，主要用于检测移动用户（车辆）。RGB 相机因体积小、成本低、易部署而被采用，其三通道图像能够有效表征真实传播环境。在此过程中，得到两类原始数据：一类是 I/Q 格式的信道数据，另一类是视频形式的视觉数据。
步骤 2：数据后处理与图像—信道数据集构建。为支持深度学习，需对原始信道与视觉数据进行处理。首先，I/Q 数据被转换为信道脉冲响应，并提取路径损耗、莱斯 K 因子、RMS 时延扩展等关键参数。随后，将视频拆分为图像帧，并通过时间戳与信道数据对齐，未对齐的样本被丢弃。接着，过滤掉因遮挡、距离过远等因素导致目标车辆不可见的图像及其对应信道数据。最后，利用实例分割网络提取目标车辆，将分割图像与对应信道参数配对，形成同步的图像—信道数据集。
步骤 3：基于视觉的信道特性预测。信道特性预测可视为深度学习中的回归问题。构建的数据集被划分为训练集、验证集和测试集，以分割后的车辆图像作为输入，以信道特性作为标签。通过训练与验证，预测网络逐步学习图像与信道特性之间的映射关系，并不断优化参数。在测试集上验证后，模型能够仅凭输入的分割图像，准确预测路径损耗、Rice K 因子、RMS 时延扩展等信道传播特性，从而实现高效的视觉辅助信道预测。
基于构建的图像—信道数据集，我们开展了一系列实验，对所提模型在路径损耗、莱斯K 因子和均方根时延扩展等信道特性预测上的性能进行全面评估与分析。模型预测精度采用均方根误差（RMSE）作为指标。此外，为探究对接收端车辆进行单独图像分割对预测精度提升的影响，我们准备了两组对比图像：一组为原始 RGB 图像，另一组为完全分割图像（如图3 所示）。在完全分割图像中，常见对象（如行人、自行车和非测试车辆）均被分割出来，并依据类别赋予统一的颜色掩膜和边界框。
为全面评估所提模型，我们设计了四组实验，其预测结果如表Ⅳ所示。前两组实验针对三类视觉输入（原始图像、单目标分割图像、完全分割图像）进行预测精度对比。在同一路口的自验证中，所有模型均能捕捉路径损耗、莱斯K 因子和均方根时延扩展的变化趋势，但只有基于单目标分割图像的模型能够保留细粒度波动。在跨路口 交叉验证中，仅单目标分割输入的模型保持了良好的泛化能力，而其他两类模型预测误差显著增加，RMSE 明显上升。第三组实验考察接收端车辆外观变化（如形状、尺寸、颜色）的影响。结果表明，模型在不同外观条件下均保持较高预测精度，说明其不依赖于用户的视觉特征。第四组实验进一步比较了不同分割和预测网络的影响。具体而言，四种 YOLO 系列实例分割网络的结果被输入固定的 ResNet-34 进行预测。尽管分割精度存在差异，但最终 RMSE 接近，说明整体预测性能对分割精度不敏感。在预测网络对比中，所有模型均能跟踪 PL 的变化趋势，但 ResNet-34 的 RMSE 最低，而更深更复杂的 VGG16、U-Net 等网络不仅未带来提升，反而出现性能下降。
{11142292,author={Zhang, Xuejian and He, Ruisi and Yang, Mi and Qi, Ziyi and Zhang, Zhengyu and Ai, Bo and Zhong, Zhangdui},journal={IEEE Transactions on Cognitive Communications and Networking},title={Adaptive Beam Reconstruction for Multi-User Radio Channels via Reconfigurable Intelligent Surface: A Vision Transformer-Based Approach},year={2025},volume={},number={},pages={1-1},keywords={Accuracy;Visualization;Real-time systems;Root mean square;Vehicle dynamics;Measurement;Sensors;Predictive models;Adaptation models;Wireless communication;Channel prediction;vehicle-to-infrastructure;street intersection;image segmentation;deep learning},doi={10.1109/TCCN.2025.3602837}}
来源：北交大智能交通电波传播研究团队
